MétaCan
Menu
Retour à la cohorte
Enregistrement W3086365214 · doi:10.1093/cid/ciaa1343

Infectious Diseases Society of America Guidelines on the Diagnosis of COVID-19: Serologic Testing (September 2020)

2020· article· en· W3086365214 sur OpenAlexaff
Kimberly E. Hanson, Angela M. Caliendo, Cesar Andres Diaz Arias, Janet A. Englund, Mary K. Hayden, Mark J. Lee, Mark Loeb, Robin Patel, Osama Altayar, Abdallah El Alayli, Shahnaz Sultan, Yngve Falck–Ytter, Valéry Lavergne, Rebecca L. Morgan, M. Hassan Murad, Adarsh Bhimraj, Reem A. Mustafa

Notice bibliographique

RevueClinical Infectious Diseases · 2020
Typearticle
Langueen
DomaineMedicine
ThématiqueSARS-CoV-2 detection and testing
Établissements canadiensImpactVancouver General HospitalMcMaster University
Organismes subventionnairesCenters for Disease Control and Prevention
Mots-clésCoronavirus disease 2019 (COVID-19)SerologyVirologySevere acute respiratory syndrome coronavirus 2 (SARS-CoV-2)2019-20 coronavirus outbreakCoronavirusMedicinePandemicInfectious disease (medical specialty)DiseaseCoronavirus InfectionsBetacoronavirusImmunologyOutbreakAntibodyPathology

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: The availability of severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2) serologic testing has rapidly increased. Current assays use a variety of technologies, measure different classes of immunoglobulin or immunoglobulin combinations and detect antibodies directed against different portions of the virus. The overall accuracy of these tests, however, has not been well-defined. The Infectious Diseases Society of America (IDSA) convened an expert panel to perform a systematic review of the coronavirus disease 2019 (COVID-19) serology literature and construct best practice guidance related to SARS-CoV-2 serologic testing. This guideline is the fourth in a series of rapid, frequently updated COVID-19 guidelines developed by IDSA. OBJECTIVE: IDSA's goal was to develop evidence-based recommendations that assist clinicians, clinical laboratories, patients and policymakers in decisions related to the optimal use of SARS-CoV-2 serologic tests in a variety of settings. We also highlight important unmet research needs pertaining to the use of anti-SARS-CoV-2 antibody tests for diagnosis, public health surveillance, vaccine development and the selection of convalescent plasma donors. METHODS: A multidisciplinary panel of infectious diseases clinicians, clinical microbiologists and experts in systematic literature review identified and prioritized clinical questions related to the use of SARS-CoV-2 serologic tests. Grading of Recommendations Assessment, Development and Evaluation (GRADE) methodology was used to assess the certainty of evidence and make testing recommendations. RESULTS: The panel agreed on eight diagnostic recommendations. CONCLUSIONS: Information on the clinical performance and utility of SARS-CoV-2 serologic tests are rapidly emerging. Based on available evidence, detection of anti-SARS-CoV-2 antibodies may be useful for confirming the presence of current or past infection in selected situations. The panel identified three potential indications for serologic testing including: 1) evaluation of patients with a high clinical suspicion for COVID-19 when molecular diagnostic testing is negative and at least two weeks have passed since symptom onset; 2) assessment of multisystem inflammatory syndrome in children; and 3) for conducting serosurveillance studies. The certainty of available evidence supporting the use of serology for either diagnosis or epidemiology was, however, graded as very low to moderate.

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)0,022
score de la tête « metaresearch » (Gemma)0,072
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: Autre · Signal consensuel: aucune
Score de désaccord entre enseignants0,023
Score d'incertitude au seuil0,116

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0220,072
Méta-épidémiologie (sens strict)0,0020,002
Méta-épidémiologie (sens large)0,0030,007
Bibliométrie0,0120,006
Études des sciences et des technologies0,0020,001
Communication savante0,0040,003
Science ouverte0,0050,004
Intégrité de la recherche0,0070,007
Charge utile insuffisante (le modèle a refusé de juger)0,0140,011

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 Opus0,218
Tête enseignante GPT0,433
Écart entre enseignants0,215 · 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
GenreAutre

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

En bref

Citations190
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueClinical Infectious DiseasesMême sujetSARS-CoV-2 detection and testingTravaux en français237 207