prevalence estimation

Background Survey planning must balance recruitment losses against uncertainty in screening yield, diagnostic accuracy and survey design. This study examined how these considerations determine invitation requirements and diagnostic-validation allocation. Methods A Beta planning distribution used 170 PHQ-9-positive results among 1,045 Chinese community participants and an effective sample size of 100. Asymmetric recruitment loss selected conditional and joint-distribution invitation targets. A separate cost-plus-variance Bayes criterion jointly allocated survey clusters and independent reference-positive and reference-negative validation samples. Parameter uncertainty and future-data performance were evaluated by integration and simulation. Results With an illustrative underplanning-to-overplanning loss ratio of 3, conditional planning selected a screening-positive proportion of 0.1862 and 4,794 screening invitations. Integrating design uncertainty increased this target to 5,346. Current-prevalence planning required 9,247 conditional invitations or 11,866 under joint parameter uncertainty when diagnostic accuracy was known within each scenario. The original validation sample imposed a reference-point half-width floor of 0.0292, exceeding the 0.020 target. Under specified relative costs, the joint allocation used 21,708 invitations and 240/4,538 reference-positive/reference-negative validation participants. Its prior-predictive width attainment was 53.15%, compared with 0.03% when nearly the same budget retained the original validation sample. Increasing the precision valuation fourfold raised attainment to 10,000/10,000 simulations, with 95.31% coverage. Uncorrected specificity shifts produced substantial bias despite larger samples. Conclusions At k = 3, the loss-based rule selected a screening-positive planning proportion of 0.1862, reducing conditional invitation requirements by 39.38% relative to p = 0.5. Joint survey–validation allocation improved simulated precision at comparable assumed cost. These findings support allocating recruitment and diagnostic-validation resources jointly when planning current-prevalence surveys.

زمینه: برنامه‌ریزی پیمایش باید بین کاهش جذب و عدم قطعیت در بازده غربالگری، دقت تشخیصی و طراحی پیمایش تعادل برقرار کند. این مطالعه بررسی کرد که چگونه این ملاحظات الزامات دعوت و تخصیص اعتبارسنجی تشخیصی را تعیین می‌کنند. روش‌ها: توزیع برنامه‌ریزی بتا با استفاده از ۱۷۰ نتیجه مثبت PHQ-9 در میان ۱٬۰۴۵ شرکت‌کننده جامعه چینی و اندازه نمونه مؤثر ۱۰۰ به کار رفت. زیان نامتقارن جذب، اهداف دعوت شرطی و توزیع مشترک را انتخاب کرد. معیار بیز هزینه به‌علاوه واریانس به طور مشترک خوشه‌های پیمایش و نمونه‌های اعتبارسنجی مستقل مثبت مرجع و منفی مرجع را تخصیص داد. عدم قطعیت پارامتر و عملکرد داده‌های آینده از طریق انتگرال‌گیری و شبیه‌سازی ارزیابی شد. نتایج: با نسبت زیان برنامه‌ریزی کمتر از حد به بیشتر از حد برابر با ۳، برنامه‌ریزی شرطی نسبت مثبت غربالگری ۰٫۱۸۶۲ و ۴٬۷۹۴ دعوت غربالگری را انتخاب کرد. ادغام عدم قطعیت طراحی این هدف را به ۵٬۳۴۶ افزایش داد. برنامه‌ریزی بر اساس شیوع فعلی به ۹٬۲۴۷ دعوت شرطی یا ۱۱٬۸۶۶ دعوت تحت عدم قطعیت مشترک پارامترها نیاز داشت، زمانی که دقت تشخیصی در هر سناریو معلوم بود. نمونه اعتبارسنجی اولیه کف نیم‌عرض نقطه مرجع ۰٫۰۲۹۲ را تحمیل کرد که از هدف ۰٫۰۲۰ بیشتر بود. تحت هزینه‌های نسبی مشخص‌شده، تخصیص مشترک از ۲۱٬۷۰۸ دعوت و ۲۴۰/۴٬۵۳۸ شرکت‌کننده اعتبارسنجی مثبت مرجع/منفی مرجع استفاده کرد. دستیابی به عرض پیش‌بینی پیشین آن ۵۳٫۱۵٪ بود، در مقایسه با ۰٫۰۳٪ زمانی که تقریباً همان بودجه نمونه اعتبارسنجی اولیه را حفظ کرد. افزایش چهار برابری ارزش‌گذاری دقت، دستیابی را به ۱۰٬۰۰۰/۱۰٬۰۰۰ شبیه‌سازی با پوشش ۹۵٫۳۱٪ رساند. تغییرات تصحیح‌نشده ویژگی، علی‌رغم نمونه‌های بزرگ‌تر، سوگیری قابل توجهی ایجاد کرد. نتیجه‌گیری: در k = ۳، قاعده مبتنی بر زیان نسبت برنامه‌ریزی مثبت غربالگری ۰٫۱۸۶۲ را انتخاب کرد و الزامات دعوت شرطی را نسبت به p = ۰٫۵ به میزان ۳۹٫۳۸٪ کاهش داد. تخصیص مشترک پیمایش–اعتبارسنجی دقت شبیه‌سازی‌شده را در هزینه فرضی مشابه بهبود بخشید. این یافته‌ها از تخصیص مشترک منابع جذب و اعتبارسنجی تشخیصی هنگام برنامه‌ریزی پیمایش‌های شیوع فعلی حمایت می‌کنند.