MétaCan
Menu
Retour à la cohorte
Enregistrement W3016882079 · doi:10.1101/2020.04.15.20066407

Antibody testing for COVID-19: A report from the National COVID Scientific Advisory Panel

2020· preprint· en· W3016882079 sur OpenAlexaff
Emily R. Adams, Mark Ainsworth, Rekha Anand, Monique Andersson, Kathryn Auckland, J. Kenneth Baillie, Eleanor Barnes, Sally Beer, John L. Bell, Tamsin Berry, Sagida Bibi, Miles W. Carroll, Senthil Chinnakannan, Elizabeth Clutterbuck, Richard J. Cornall, Derrick W. Crook, Thushan I. de Silva, Wanwisa Dejnirattisai, Kate E. Dingle, Christina Dold, Alexis Espinosa, David W. Eyre, Maria Fernandez Mendoza, Dominique Georgiou, Sarah Hoosdally, A Hunter, Katie Jeffrey, Paul Klenerman, Julian C. Knight, Clarice Knowles, Andrew Kwok, U Leuschner, Robert H. Levin, Chang Liu, César López‐Camacho, José C. Garrido, Philippa C. Matthews, Hannah McGivern, Alexander J. Mentzer, Jonathan Milton, Juthathip Mongkolsapaya, Shona C. Moore, Marta Oliveira, Fiona Pereira, Elena Perez Lopez, Timothy Peto, Rutger J. Ploeg, Andrew J. Pollard, Tessa Prince, David J. Roberts, Justine Rudkin, Verónica Sánchez, Gavin Screaton, Malcolm G. Semple, Dominic F. Kelly, Jose Slon-Campos, Elliot Nathan Smith, Alberto Jose Sobrino Diaz, Julie Staves, David I. Stuart, Piyada Supasa, Tomas Surik, Hannah Thraves, Pat Tsang, Lance Turtle, A. Sarah Walker, Beibei Wang, Charlotte Washington, Nicholas A. Watkins, James Whitehouse

Notice bibliographique

RevuemedRxiv · 2020
Typepreprint
Langueen
DomaineMedicine
ThématiqueSARS-CoV-2 and COVID-19 Research
Établissements canadiensInstitute of Infection and Immunity
Organismes subventionnairesMedical Research CouncilRoyal SocietyPublic Health EnglandDepartment of Health and Social CareGovernment of the United KingdomRobertson FoundationWellcome TrustNational Institute for Health and Care ResearchNational Institute for Health Research Health Protection Research UnitUniversity of OxfordNHS Blood and Transplant
Mots-clésCoronavirus disease 2019 (COVID-19)MedicineAntibodyPandemicSevere acute respiratory syndrome coronavirus 2 (SARS-CoV-2)VirologyImmunologyInternal medicineDiseaseInfectious disease (medical specialty)

Résumé

récupéré en direct d'OpenAlex

ABSTRACT Background The COVID-19 pandemic caused >1 million infections during January-March 2020. There is an urgent need for reliable antibody detection approaches to support diagnosis, vaccine development, safe release of individuals from quarantine, and population lock-down exit strategies. We set out to evaluate the performance of ELISA and lateral flow immunoassay (LFIA) devices. Methods We tested plasma for COVID (SARS-CoV-2) IgM and IgG antibodies by ELISA and using nine different LFIA devices. We used a panel of plasma samples from individuals who have had confirmed COVID infection based on a PCR result (n=40), and pre-pandemic negative control samples banked in the UK prior to December-2019 (n=142). Results ELISA detected IgM or IgG in 34/40 individuals with a confirmed history of COVID infection (sensitivity 85%, 95%CI 70-94%), vs. 0/50 pre-pandemic controls (specificity 100% [95%CI 93-100%]). IgG levels were detected in 31/31 COVID-positive individuals tested ≥10 days after symptom onset (sensitivity 100%, 95%CI 89-100%). IgG titres rose during the 3 weeks post symptom onset and began to fall by 8 weeks, but remained above the detection threshold. Point estimates for the sensitivity of LFIA devices ranged from 55-70% versus RT-PCR and 65-85% versus ELISA, with specificity 95-100% and 93-100% respectively. Within the limits of the study size, the performance of most LFIA devices was similar. Conclusions Currently available commercial LFIA devices do not perform sufficiently well for individual patient applications. However, ELISA can be calibrated to be specific for detecting and quantifying SARS-CoV-2 IgM and IgG and is highly sensitive for IgG from 10 days following first symptoms.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,038
score de la tête « metaresearch » (Gemma)0,024
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,038
Score d'incertitude au seuil0,202

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0380,024
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,003
Études des sciences et des technologies0,0010,001
Communication savante0,0020,001
Science ouverte0,0020,002
Intégrité de la recherche0,0040,003
Charge utile insuffisante (le modèle a refusé de juger)0,0040,002

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.

Tête enseignante Opus0,265
Tête enseignante GPT0,438
Écart entre enseignants0,173 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations151
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuemedRxivMême sujetSARS-CoV-2 and COVID-19 ResearchTravaux en français237 207