Is the glass half full? Extraction-free RT-LAMP to detect SARS-CoV-2 is less sensitive but highly specific compared to standard RT-PCR in 101 samples
Notice bibliographique
Résumé
Abstract The current scale of public and private testing cannot be expected to meet the emerging need for higher levels of community-level and repeated screening of asymptomatic Canadians for SARS-CoV-2. Rapid point-of-care techniques are increasingly being deployed to fill the gap in screening levels required to identify undiagnosed individuals with high viral loads. However, rapid, point-of-care tests often have lower sensitivity in practice. Reverse transcription loop-mediated isothermal amplification (RT-LAMP) for SARS-CoV-2 has proven sensitive and specific and provides visual results in minutes. Using a commercially available kit for RT-LAMP and primer set targetting nucleocapsid (N) gene, we tested a blinded set of 101 archived nasopharyngeal (NP) swab samples with known RT-PCR results. RT-LAMP reactions were incubated at 65°C for 30 minutes, using heat-inactivated nasopharyngeal swab sample in viral transport medium, diluted tenfold in water, as input. RT-LAMP agreed with all RT-PCR defined negatives (N=51), and all positives with Ct less than 20 (N=24), 65% of positives with Ct between 20-30 (N=17), and no positives with Ct greater than 30 (N=9). RT-LAMP requires fewer and different core components, so may not compete directly with the mainline testing workflow, preserving precious central laboratory resources and gold standard tests for those with the greatest need. Careful messaging must be provided when using less-sensitive tests, so that people are not falsely reassured by negative results – “glass half empty” – in exchange for reliable detection of those with high levels of virus within an hour, using <$10 worth of chemicals – “glass half full”.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| 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 ».