诊断检测的最优决策理论：最小化不确定类的应用及基于唾液的 SARS-CoV-2 抗体检测
统计方法学
2022-02-02 v1 最优化与控制
概率论
生物物理
定量方法
摘要
在诊断检测中，建立不确定类是一种识别无法被准确分类样本的有效方式。然而，此类方法也降低了检测效率，必须 against 总体检测性能加以权衡。我们通过将数据的分类重构为约束优化问题来解决该问题：(i) 最小化将样本标记为不确定的概率，同时 (ii) 确保其余样本以平均目标准确率 X 被分类。我们证明该问题的解可表达为一个浴盆原理 (bathtub principle)，该原理将局部准确率最低直至 X 相关阈值的样本保留出来。为阐明该分析的有用性，我们将其应用于多重、基于唾液的 SARS-CoV-2 抗体检测，并展示相对于更传统方法不确定样本数最多减少 30%。
引用
@article{arxiv.2202.00494,
title = {Optimal Decision Theory for Diagnostic Testing: Minimizing Indeterminate Classes with Applications to Saliva-Based SARS-CoV-2 Antibody Assays},
author = {Paul N. Patrone and Prajakta Bedekar and Nora Pisanic and Yukari C. Manabe and David L. Thomas and Christopher D. Heaney and Anthony J. Kearsley},
journal= {arXiv preprint arXiv:2202.00494},
year = {2022}
}