Using a Field Quantitative Real-Time PCR Test To Rapidly Identify Highly Viremic Rift Valley Fever Cases
Notice bibliographique
Résumé
Approximately 8% of Rift Valley fever (RVF) cases develop severe disease, leading to hemorrhage, hepatitis, and/or encephalitis and resulting in up to 50% of deaths. A major obstacle in the management of RVF and other viral hemorrhagic fever cases in outbreaks that occur in rural settings is the inability to rapidly identify such cases, with poor prognosis early enough to allow for more-aggressive therapies. During an RVF outbreak in Kenya in 2006 to 2007, we evaluated whether quantitative real-time reverse transcription-PCR (qRT-PCR) could be used in the field to rapidly identify viremic RVF cases with risk of death. In 52 of 430 RVF cases analyzed by qRT-PCR and virus culture, 18 died (case fatality rate [CFR] = 34.6%). Levels of viremia in fatal cases were significantly higher than those in nonfatal cases (mean of 10(5.2) versus 10(2.9) per ml; P < 0.005). A negative correlation between the levels of infectious virus particles and the qRT-PCR crossover threshold (C(T)) values allowed the use of qRT-PCR to assess prognosis. The CFR was 50.0% among cases with C(T) values of <27.0 (corresponding to 2.1 x 10(4) viral RNA particles/ml of serum) and 4.5% among cases with C(T) values of >or=27.0. This cutoff yielded 93.8% sensitivity and a 95.5% negative predictive value; the specificity and positive predictive value were 58% and 50%, respectively. This study shows a correlation between high viremia and fatality and indicates that qRT-PCR testing can identify nearly all fatal RVF cases.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 |
| 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 ».