Routine saliva testing for the identification of silent coronavirus disease 2019 (COVID-19) in healthcare workers
Notice bibliographique
Résumé
OBJECTIVE: Current COVID-19 guidelines recommend symptom-based screening and regular nasopharyngeal (NP) testing for healthcare personnel in high-risk settings. We sought to estimate case detection percentages with various routine NP and saliva testing frequencies. DESIGN: Simulation modeling study. METHODS: We constructed a sensitivity function based on the average infectiousness profile of symptomatic coronavirus disease 2019 (COVID-19) cases to determine the probability of being identified at the time of testing. This function was fitted to reported data on the percent positivity of symptomatic COVID-19 patients using NP testing. We then simulated a routine testing program with different NP and saliva testing frequencies to determine case detection percentages during the infectious period, as well as the presymptomatic stage. RESULTS: Routine biweekly NP testing, once every 2 weeks, identified an average of 90.7% (SD, 0.18) of cases during the infectious period and 19.7% (SD, 0.98) during the presymptomatic stage. With a weekly NP testing frequency, the corresponding case detection percentages were 95.9% (SD, 0.18) and 32.9% (SD, 1.23), respectively. A 5-day saliva testing schedule had a similar case detection percentage as weekly NP testing during the infectious period, but identified ~10% more cases (mean, 42.5%; SD, 1.10) during the presymptomatic stage. CONCLUSION: Our findings highlight the utility of routine noninvasive saliva testing for frontline healthcare workers to protect vulnerable patient populations. A 5-day saliva testing schedule should be considered to help identify silent infections and prevent outbreaks in nursing homes and healthcare facilities.
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 | 0,002 | 0,032 |
| 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 ».