不完美检测试剂下的传染病患病率估计：频率学与贝叶斯逻辑回归方法的误分类校正比较

准确估计疾病患病率对于指导公共卫生战略至关重要。不完美的诊断检测试剂可能导致误分类错误——假阳性 (false positive, FP) 和假阴性 (false negative, FN)——如果不加以考虑，则可能扭曲估计结果。本研究比较了四种用于估计性病传播 (STIs) 患病率及其相关因素、同时校正误分类的统计方法。方法包括： (1) 采用已知灵敏度和特异度的外部校正的标准逻辑回归； (2) Liu 等人模型，该模型联合估计 FP 和 FN rates； (3) 采用外部校正的贝叶斯逻辑回归； (4) 使用对诊断准确性有信息先验的内部校正的贝叶斯模型。数据来源于 2020-2024 年自愿筛查活动中 11452 名受试者的 HIV、梅毒和乙肝筛查数据。比较了不同模型下的患病率估计和回归系数，使用相对粗略估计值的变化、置信区间 (confidence interval, CI) 宽度和系数波动性进行比较。Liu 模型产生了更高的患病率估计，但置信区间更宽，在低患病率情境下存在收敛问题。采用内部校正的贝叶斯模型给出中间水平的估计，置信区间最窄，拦截器更稳定，表明改进了基线患病率估计。信息或弱信息先验有助于在小样本或稀有事件情境下正规化估计。考虑误分类影响了患病率和协变量关联。虽然 Liu 模型在理论上具有优势，但其在稀疏数据情境下的实际局限性降低了其实用性。采用误分类校正的贝叶斯模型作为一种稳健且灵活的工具，特别适用于诊断不确定性较高且患病率较低的情境。