Estimating SARS-CoV-2 infection probabilities with serological data and a Bayesian mixture model
2 IHU Marseille - Institut Hospitalier Universitaire Méditerranée Infection
3 Université Paris-Saclay
4 UVSQ - Université de Versailles Saint-Quentin-en-Yvelines
5 CESP - Centre de recherche en épidémiologie et santé des populations
6 UniFI - Università degli Studi di Firenze = University of Florence = Université de Florence
7 EREN [CRESS - U1153 / UMR_A 1125] - Nutritional Epidemiology Research Team | Equipe de Recherche en Epidémiologie Nutritionnelle
8 CEPH - Fondation Jean Dausset - Centre d’Études du Polymorphisme Humain
9 EPOPé [CRESS - U1153 / UMR_A 1125] - Obstetrical, Perinatal and Pediatric Epidemiology | Épidémiologie Obstétricale, Périnatale et Pédiatrique
10 CIC 1417 - CIC Cochin Pasteur
11 EAROH [CRESS - U1153 / UMR_A 1125] - Research team on early life origins of health | Recherche sur les déterminants précoces de la santé
12 CONSTANCES - Cohortes épidémiologiques en population
13 CERMES3 - UMR 8211 / U988 / UM 7 - CERMES3 - Centre de recherche Médecine, sciences, santé, santé mentale, société
- Fonction : Auteur correspondant
- PersonId : 1283673
- IdHAL : benjamin-glemain
- ORCID : 0009-0008-4771-2001
- IdRef : 256165815
Connectez-vous pour contacter l'auteur
- Fonction : Auteur
- PersonId : 1056589
- ORCID : 0000-0001-7895-2720
- IdRef : 080592392
- Fonction : Auteur
- PersonId : 1136541
- ORCID : 0000-0002-8322-8857
- IdRef : 11033082X
- Fonction : Auteur
- Fonction : Auteur
- Fonction : Auteur
- Fonction : Auteur
- Fonction : Auteur
- Fonction : Auteur
- Fonction : Auteur
- Fonction : Auteur
- Fonction : Auteur
- PersonId : 1146569
- IdHAL : younes-esseddik
- ORCID : 0000-0003-3622-2150
- Fonction : Auteur
- Fonction : Auteur
- Fonction : Auteur
- Fonction : Auteur
- Fonction : Auteur
- Fonction : Auteur
- Fonction : Auteur
- Fonction : Auteur
- Fonction : Auteur
- Fonction : Auteur
- Fonction : Auteur
- PersonId : 854051
- ORCID : 0000-0002-5780-5593
- IdRef : 034884041
- Fonction : Auteur
- Fonction : Auteur
- Fonction : Auteur
- Fonction : Auteur
- Fonction : Auteur
- Fonction : Auteur
- Fonction : Auteur
- Fonction : Auteur
- Fonction : Auteur
- Fonction : Auteur
- Fonction : Auteur
- Fonction : Auteur
- Fonction : Auteur
- Fonction : Auteur
- Fonction : Auteur
- Fonction : Auteur
- Fonction : Auteur
- Fonction : Auteur
- Fonction : Auteur
- Fonction : Auteur
- Fonction : Auteur
- Fonction : Auteur
- Fonction : Auteur
- Fonction : Auteur
- Fonction : Auteur
- Fonction : Auteur
- Fonction : Auteur
- Fonction : Auteur
- Fonction : Auteur
- Fonction : Auteur
- Fonction : co dernier-auteur
- PersonId : 181659
- IdHAL : nathanael-lapidus
- ORCID : 0000-0002-4837-1068
- IdRef : 170023915
- Fonction : co dernier-auteur
Résumé
The individual results of SARS-CoV-2 serological tests measured after the first pandemic wave of 2020 cannot be directly interpreted as a probability of having been infected. Plus, these results are usually returned as a binary or ternary variable, relying on predefined cut-offs. We propose a Bayesian mixture model to estimate individual infection probabilities, based on 81,797 continuous anti-spike IgG tests from Euroimmun collected in France after the first wave. This approach used serological results as a continuous variable, and was therefore not based on diagnostic cut-offs. Cumulative incidence, which is necessary to compute infection probabilities, was estimated according to age and administrative region. In France, we found that a “negative” or a “positive” test, as classified by the manufacturer, could correspond to a probability of infection as high as 61.8% or as low as 67.7%, respectively. “Indeterminate” tests encompassed probabilities of infection ranging from 10.8 to 96.6%. Our model estimated tailored individual probabilities of SARS-CoV-2 infection based on age, region, and serological result. It can be applied in other contexts, if estimates of cumulative incidence are available.
| Origine | Publication financée par une institution |
|---|---|
| Licence |