Look before diving into pooling of SARS-CoV-2 samples on high throughput analyzers
Notice bibliographique
Résumé
Abstract Given the unprecedented demand for SARS-CoV-2 testing during the COVID-19 pandemic, the benefits of specimen pooling have recently been explored. As previous studies were limited to mathematical modeling or testing on low throughput PCR instruments, this study aimed to assess pooling on high throughput analyzers. To assess the impact of pooling, SARS-CoV-2 dilutions were performed at varying pool depths (i.e. 1:2, 1:4, and 1:8) into test-negative nasopharyngeal or oropharynx/anterior nares swabs matrix. Testing was evaluated on the automated Roche Cobas 6800 system, or the Roche MagNApure LC 2.0 or MagNAPure 96 instruments paired with a laboratory-developed test using a 96-well PCR format. The frequency of detection in specimens with low viral loads was evaluated using archived specimens collected throughout the first pandemic wave. The proportion of detectable results per pool depths was used to estimate the potential impact. In addition, workflow at the analytical stage, and pre-and post-stages of testing were also considered. The current study estimated that pool depths of 1:2, 1:4, and 1:8 would have allowed the detection of 98.3%, 96.0%, and 92.6% of positive SARS-CoV-2 results identified in the first wave of the pandemic in Nova Scotia. Overall, this study demonstrated that pooling on high throughput instrumentation can dramatically increase the overall testing capacity to meet increased demands, with little compromising to sensitivity at low pool depths. However, the human resources required at the pre-analytical stage of testing is a particular challenging to achieve.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 |
| 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 ».