False negative rate of COVID-19 PCR testing: a discordant testing analysis
Notice bibliographique
Résumé
BACKGROUND: COVID-19 is diagnosed via detection of SARS-CoV-2 RNA using real time reverse-transcriptase polymerase chain reaction (rtRT-PCR). Performance of many SARS-CoV-2 rtRT-PCR assays is not entirely known due to the lack of a gold standard. We sought to evaluate the false negative rate (FNR) and sensitivity of our laboratory-developed SARS-CoV-2 rtRT-PCR targeting the envelope (E) and RNA-dependent RNA-polymerase (RdRp) genes. METHODS: SARS-CoV-2 rtRT-PCR results at the Public Health Laboratory (Alberta, Canada) from January 21 to April 18, 2020 were reviewed to identify patients with an initial negative rtRT-PCR followed by a positive result on repeat testing within 14 days (defined as discordant results). Negative samples from these discordant specimens were re-tested using three alternate rtRT-PCR assays (targeting the E gene and N1/N2 regions of the nucleocapsid genes) to assess for false negative (FN) results. RESULTS: During the time period specified, 95,919 patients (100,001 samples) were tested for SARS-CoV-2. Of these, 49 patients were found to have discordant results including 49 positive and 52 negative swabs. Repeat testing of 52 negative swabs found five FNs (from five separate patients). Assuming 100% specificity of the diagnostic assay, the FNR and sensitivity in this group of patients with discordant testing was 9.3% (95% CI 1.5-17.0%) and 90.7% (95% CI 82.6-98.9%) respectively. CONCLUSIONS: Studies to understand the FNR of routinely used assays are important to confirm adequate clinical performance. In this study, most FN results were due to low amounts of SARS-CoV-2 virus concentrations in patients with multiple specimens collected during different stages of infection. Post-test clinical evaluation of each patient is advised to ensure that rtRT-PCR results are not the only factor in excluding COVID-19.
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 | 0,031 | 0,128 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».