利用高维建模提高诊断检测准确性:基于多重唾液 SARS-CoV-2 抗体检测的理论与实例
定量方法
2023-04-26 v2 最优化与控制
概率论
生物物理
统计方法学
摘要
严重急性呼吸综合征冠状病毒 2(SARS-CoV-2)大流行凸显了正确解读抗体检测结果的重要性和挑战。阳性与阴性样本的鉴别需要低错误率的分类策略,而当对应测量值重叠时很难实现。当分类方案未能考虑数据中的复杂结构时,会产生额外的不确定性。我们通过结合高维数据建模与最优决策理论的数学框架来解决这些问题。具体而言,我们表明适当提升数据维度能更好分离阳性和阴性群体,并揭示可用数学模型描述的细微结构。我们将这些模型与最优决策理论结合,产生一种相较置信区间(CIs)和受试者工作特征等传统方法能更好分离阳性与阴性样本的分类方案。我们在一个多重唾液 SARS-CoV-2 免疫球蛋白 G 检测数据集上验证了该方法的实用性。该示例说明了我们的分析:(i) 提高了检测准确性(例如,与 CI 方法相比分类错误最多降低 42%);(ii) 在允许不确定类时减少了不确定样本数量(例如,相比该多重数据集的原始分析降低 40%);(iii) 减少了分类样本所需的抗原数量。我们的工作展示了数学建模在诊断分类中的威力,并凸显了一种可在公共卫生和临床环境中广泛采用的方法。
引用
@article{arxiv.2206.14316,
title = {Modeling in higher dimensions to improve diagnostic testing accuracy: theory and examples for multiplex saliva-based SARS-CoV-2 antibody assays},
author = {Rayanne A. Luke and Anthony J. Kearsley and Nora Pisanic and Yukari C. Manabe and David L. Thomas and Christopher D. Heaney and Paul N. Patrone},
journal= {arXiv preprint arXiv:2206.14316},
year = {2023}
}
备注
14 pages, 4 figures, 1 table, 6 supplemental figures; fixed typos/updated table, corrected PDF in Appendix