Comparison of Assays for the Diagnosis of Mycoplasma genitalium and Macrolide Resistance Mutations in Self-Collected Vaginal Swabs and Urine
Notice bibliographique
Résumé
BACKGROUND: The objective was to compare commercial assays on clinical specimens for Mycoplasma genitalium (MG) detection and macrolide resistance mutation (MRM) frequency. METHODS: Three self-collected vaginal swabs (VS) and a first-void urine (FVU) from 300 consented women were tested by Aptima MG (AMG), ResistancePlus MG (RPMG) and Seeplex STD6 ACE (STD6) for detection of MG. Aptima MG and STD6 MG positives were tested for MRM using MG 23S rRNA polymerase chain reaction with Sanger sequencing (23SMGSS) compared with MRM determination in the RPMG assay. Unique AMG positives were tested with confirmatory Aptima assays. RESULTS: M. genitalium prevalence ranged from 7.1% to 19.7%, influenced by the assay used and the specimen tested. Overall agreements for MG detection were 96.3% (κ = 0.91) for VS and 93.3% (κ = 0.72) for FVU between AMG and RPMG with lower agreements with STD6. Using a rotating reference standard, sensitivities on VS and FVU were 100% and 100% for AMG, 100% and 83.3% for RPMG, and 54.2% and 48.4% for STD6. Specificities were high for RPMG and STD6 and AMG detected extra positives, most of which were confirmed. Macrolide resistance mutation frequency rates testing VS and FVU were 50% (24/48) and 58.1% (18/31) by RPMG compared with 52.5% (31/59) and 23.5% (12/51) by 23SMGSS. MRM overall agreements between RPMG and 23SMGSS were 73.2% (κ = 0.41) for VS and 76.0% (κ = 0.52) for FVU. CONCLUSIONS: Aptima MG detected more cases of MG infections. ResistancePlus MG detection was more effective on VS than on FVU. Seeplex STD6 ACE performance was inferior. The MRM detection component of RPMG agreed with results from 23SMGSS most of the time.
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 | 0,000 |
| 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 ».