《Veterinary Medicine International》：Bayesian Modeling of Bovine Tuberculosis Prevalence for Enhanced Estimation and Control in Intensive Dairy Farms: A Longitudinal Decision-Support Tools for Veterinarians and Policymakers
编辑推荐：
准确的患病率估计对于有效控制牛结核病（bTB）至关重要，因为不可靠的数据常导致策略失败、资源错配和利益相关者信任丧失。在一项流行病学研究中，获得真实患病率（Tp）需要考虑诊断检测固有的错误分类和测量误差。鉴于单次皮内比较结核菌素试验（SICCTT）的特异性和敏
准确的患病率估计对于有效控制牛结核病（bTB）至关重要，因为不可靠的数据常导致策略失败、资源错配和利益相关者信任丧失。在一项流行病学研究中，获得真实患病率（Tp）需要考虑诊断检测固有的错误分类和测量误差。鉴于单次皮内比较结核菌素试验（SICCTT）的特异性和敏感性不完美，贝叶斯方法提供了一种自然的方式来传播这些不确定性。本研究采用贝叶斯方法，利用不完善的诊断检测改进bTB患病率估计。该方法将来自某奶牛场案例研究的原始筛查数据转化为可靠的证据，以支持更好的兽医决策和有针对性的疾病控制政策。在标准判读和严格判读下，SICCTT的先验敏感性估计值分别为70.0%（贝叶斯概率区间BPI：52.0%–84.6%）和78.68%（BPI：62.1%–90.5%），相应的特异性为96.4%（BPI：92.2%–98.8%）和94.7%（BPI：91.4%–97.1%）。后验估计显示，在标准判读下敏感性略有降低（68.3%，BPI：50.4–83.7），而其他估计值与先验分布相当。贝叶斯建模揭示了各轮检测间Tp的显著差异。在标准判读下，第1轮和第3轮的患病率最高，分别为27.6%（BPI：18.5–40.6）和30.9%（BPI：23.3–47.5）。相比之下，第4轮检测的患病率估计值最低，为4.1%（BPI：0.6–8.6）。Tp低于1%（即牛分枝杆菌感染阴性畜群的阈值）的后验概率在前三轮检测中均为0%，但在第4轮检测中增至5.8%。估算方法的比较分析表明，除了第3轮检测外，使用有信息先验的贝叶斯估计器对Tp的点估计略高于Rogan–Gladen估计器和无信息先验的贝叶斯模型。然而，带有信息先验的贝叶斯估计表现出更宽的置信区间和较强的覆盖率，反映了因未固定检测敏感性和特异性而增加的额外不确定性。收敛诊断（包括迹图、自相关函数ACF图和Gelman–Rubin统计量）证实了马尔可夫链的充分混合和平稳性，表明马尔可夫链蒙特卡罗（MCMC）算法性能令人满意。快速的自相关衰减以及Gelman–Rubin统计量稳定在1.0附近，为后验样本充分代表目标分布提供了证据。总之，当检测性能的不确定性较高时，经典的表观患病率估计过于精确。这些贝叶斯方法为该研究畜群提供了更准确的bTB患病率估计，并为未来利用关联组合数据进行Tp估计提供了基线数据。
研究背景与问题
牛结核病（bovine tuberculosis, bTB）是由牛分枝杆菌（Mycobacterium bovis）引起的一种重要人兽共患传染病，在全球集约化奶牛养殖业中持续构成严重威胁。埃塞俄比亚等地区乳业的快速发展与密集型饲养模式加剧了bTB的流行。传统的bTB控制策略依赖于常规田间检测、阳性动物隔离与扑杀。然而，单次皮内比较结核菌素试验（single intradermal comparative cervical tuberculin test, SICCTT）作为最常用的活体诊断工具，其敏感性和特异性均非完美。这种诊断测试的不完美性会导致假阴性与假阳性结果，使得真实患病率（true prevalence, Tp）难以获知。基于不准确表观患病率（apparent prevalence, Ap）的控制决策，要么因过度反应浪费资源并引发农场主抵触，要么因反应不足导致疫情悄然蔓延，最终使根除计划面临战略性失败。因此，迫切需要一种能够量化并传递诊断不确定性的统计框架，以获取稳健的Tp估计，从而为兽医临床决策和公共卫生政策的制定提供可靠依据。
研究方法与关键技术
研究人员以埃塞俄比亚Holetta农业研究中心奶牛场为代表性案例，利用2014至2019年间四个连续轮次的SICCTT纵向筛查数据（共计2024次个体检测）开展回顾性研究。核心技术方法包括：第一，构建贝叶斯分层模型，将Tp、检测敏感性（sensitivity, Se）和特异性（specificity, Sp）作为未知参数进行联合估计，并通过Rogan–Gladen公式建立Ap与Tp之间的确定性关系；第二，利用专家意见和既往研究设定有信息的Beta先验分布，并使用Betabuster软件参数化Se和Sp的先验形状参数；第三，采用马尔可夫链蒙特卡罗（Markov Chain Monte Carlo, MCMC）算法（通过R语言的“rjags”包及WinBUGS软件实现）从后验分布中抽样，并通过迹图、自相关函数（autocorrelation function, ACF）图和Gelman–Rubin统计量评估链的收敛性；第四，将贝叶斯估计结果与Rogan–Gladen估计器（RGE）及固定Se/Sp值的贝叶斯模型进行比较，以评价不同先验假设对估计精度的影响。
研究结果
3.1 SICCTT筛查测试结果：在四个检测轮次中，标准判读下的总体阳性率为15%，严格判读下为20.2%。轮次间的Ap波动明显，第3轮最高（标准判读24.8%，严格判读28.2%），第4轮最低（标准判读5.4%，严格判读9.8%）。
3.2 贝叶斯分析：SICCTT在标准判读下的后验Se中位数为68.3%（贝叶斯概率区间BPI: 50.4%–83.7%），略低于先验中位数（70.0%）；严格判读下的后验Se为78.1%（BPI: 62.5%–90.9%）。两种判读下的后验Sp均超过94%。Tp估计方面，第1轮标准判读下Tp为27.6%（BPI: 18.5%–40.6%），第2轮降至8.4%（BPI: 3.4%–14.2%），第3轮回升至30.91%（BPI: 23.3%–47.5%），第4轮降至最低4.1%（BPI: 0.6%–8.6%）。前三轮Tp低于1%（畜群无感染阈值）的后验概率均为0%，而第4轮该概率升至5.8%。
3.3 不同先验设置下的后验估计比较：在大多数轮次中，采用有信息先验的贝叶斯估计器给出的Tp点估计略高于RGE和固定Se/Sp的贝叶斯模型（第3轮除外）。然而，有信息先验模型的95%可信区间明显更宽（例如第3轮为0.233–0.475，而固定Se/Sp模型为0.262–0.372），反映了因Se和Sp未知而引入的额外不确定性。
3.4 MCMC收敛诊断：迹图显示两条马尔可夫链充分混合并达到平稳分布；自相关函数随滞后阶数增加迅速衰减；Gelman–Rubin统计量稳定趋近于1.0。所有诊断指标均表明MCMC算法性能良好，后验样本可靠地代表了目标分布。
讨论与结论
讨论部分指出，不准确的患病率估计和过长的检测间隔是导致Holetta奶牛场bTB病例持续出现的关键因素。本研究的后验Se和Sp估计值与Clegg等人报告的72.1%敏感性高度一致，且严格判读在略微降低Sp的前提下提升了Se，验证了诊断测试研究中常见的权衡关系。与既往仅报告Ap而未校正诊断偏差的埃塞俄比亚研究相比，本研究首次引入贝叶斯框架显式建模诊断不确定性，实现了方法论上的重要突破。不同估计方法的比较进一步证实，忽略Se和Sp的不确定性会导致过度精确的伪稳健估计。
研究结论：这项研究证明了贝叶斯方法在bTB监测背景下评估诊断测试性能的价值，同时强调了恰当处理测试准确性参数不确定性的重要性。研究结果支持继续使用SICCTT作为一种特异的筛查工具，并提供了可用于指导bTB控制项目循证政策决策的定量估计。
