West Nile virus testing experience in 2007: evaluation of different criteria for triggering individual‐donation nucleic acid testing
Notice bibliographique
Résumé
BACKGROUND: In 2007, clients served by Blood Systems Laboratories used variable approaches for triggering West Nile virus (WNV) RNA individual-donation (ID) nucleic acid testing (NAT). These included two minipool (MP) NAT-reactive donations and a greater than 1:1000 rate in a 7-day interval (primary trigger), criteria based on one MP-NAT-reactive donation when there was WNV activity in overlapping and/or adjacent geographic areas (neighbor trigger), or zero MP-NAT-reactive donation (self-trigger). STUDY DESIGN AND METHODS: The Procleix WNV assay was used in either a 16-sample MP or an ID format. NAT-repeat reactivity or anti-immunoglobulin M (IgM) positivity defined true positives (TPs). TPs that were negative on 1:16 dilution testing were considered ID-NAT yield cases. RESULTS: WNV NAT performed on 1,217,929 donations identified 162 TPs; 87 were detected by MP (rate of 0.008%) and 75 by ID (rate of 0.10%; p < 0.0001). There were 34 ID-NAT yield cases, including 4 IgM/immunoglobulin G (IgG)-negative and 9 IgM-positive/IgG-negative donations. Rates of yield cases by primary, neighbor, and self-triggering were 0.077, 0.052, and 0.004% (p = 0.0003). None of 11 ID-NAT yield cases detected by the neighbor trigger would have been detected if the primary trigger had been used. CONCLUSIONS: Primary triggering criteria identified 21 viremic donations that would have been missed by MP testing; however, 11 other low-level viremic donations required more stringent criteria (e.g., neighbor trigger) for detection. It is reasonable to adopt more stringent ID-NAT triggers, including elimination of the rate criterion and triggering on one NAT-reactive donation for regions adjacent to centers which have already triggered.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».