Malaria Screening Using Front-Line Loop-Mediated Isothermal Amplification
Notice bibliographique
Résumé
OBJECTIVES: We implemented front-line loop-mediated isothermal amplification (LAMP)-based malaria screening in our nonendemic multicenter health region to reduce reliance on microscopy without sacrificing diagnostic efficiency. We aimed to evaluate changes in test volumes, positivity rates, turnaround times, and approximate labor time savings resulting from implementation of LAMP-based malaria testing to assess the efficacy of the novel testing algorithm in our regional hub-and-spoke testing model. METHODS: We reviewed data generated from institutional malaria testing between 2016 and 2019, having implemented LAMP in October 2018 as a front-line screening test for all malaria investigations from our hub facility and investigations from satellite facilities with negative rapid diagnostic tests (RDTs) and microscopy. RESULTS: Blood film microscopy and RDT workloads decreased substantially in the year following LAMP implementation (by 90% and 46%, respectively,) despite similar numbers of patients tested and positivity rates for malaria compared with historical data. LAMP turnaround times (TATs) were comparable to historical TATs for RDTs, and TATs for RDTs and thick films did not increase with the change in workflow. CONCLUSIONS: LAMP was successfully implemented in our multicenter health region malaria diagnostic algorithm, significantly reducing reliance on microscopic evaluations and RDT and providing substantial labor time savings without compromising TATs.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».