Scalable and Resilient SARS-CoV-2 testing in an Academic Centre
Notice bibliographique
Résumé
Abstract The emergence of the novel coronavirus SARS-CoV-2 has led to a pandemic infecting more than two million people worldwide in less than four months, posing a major threat to healthcare systems. This is compounded by the shortage of available tests causing numerous healthcare workers to unnecessarily self-isolate. We provide a roadmap instructing how a research institute can be repurposed in the midst of this crisis, in collaboration with partner hospitals and an established diagnostic laboratory, harnessing existing expertise in virus handling, robotics, PCR, and data science to derive a rapid, high throughput diagnostic testing pipeline for detecting SARS-CoV-2 in patients with suspected COVID-19. The pipeline is used to detect SARS-CoV-2 from combined nose-throat swabs and endotracheal secretions/ bronchoalveolar lavage fluid. Notably, it relies on a series of in-house buffers for virus inactivation and the extraction of viral RNA, thereby reducing the dependency on commercial suppliers at times of global shortage. We use a commercial RT-PCR assay, from BGI, and results are reported with a bespoke online web application that integrates with the healthcare digital system. This strategy facilitates the remote reporting of thousands of samples a day with a turnaround time of under 24 hours, universally applicable to laboratories worldwide.
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 | 0,003 |
| 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 | 0,002 |
| 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 ».