Comparison of real‐time and droplet digital PCR to detect and quantify SARS‐CoV‐2 RNA in plasma
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: The presence of SARS-CoV-2 RNA in plasma has been linked to disease severity and mortality. We compared RT-qPCR to droplet digital PCR (ddPCR) to detect SARS-CoV-2 RNA in plasma from COVID-19 patients (mild, moderate, and critical disease). METHODS: The presence/concentration of SARS-CoV-2 RNA in plasma was compared in three groups of COVID-19 patients (30 outpatients, 30 ward patients and 30 ICU patients) using both RT-qPCR and ddPCR. Plasma was obtained in the first 24h following admission, and RNA was extracted using eMAG. ddPCR was performed using Bio-Rad SARS-CoV-2 detection kit, and RT-qPCR was performed using GeneFinder™ COVID-19 Plus RealAmp Kit. Statistical analysis was performed using Statistical Package for the Social Science. RESULTS: SARS-CoV-2 RNA was detected, using ddPCR and RT-qPCR, in 91% and 87% of ICU patients, 27% and 23% of ward patients and 3% and 3% of outpatients. The concordance of the results obtained by both methods was excellent (Cohen's kappa index = 0.953). RT-qPCR was able to detect 34/36 (94.4%) patients positive for viral RNA in plasma by ddPCR. Viral RNA load was higher in ICU patients compared with the other groups (P < .001), by both ddPCR and RT-qPCR. AUC analysis revealed Ct values (RT-qPCR) and viral RNA load values (ddPCR) can similarly differentiate between patients admitted to wards and to the ICU (AUC of 0.90 and 0.89, respectively). CONCLUSION: Both methods yielded similar prevalence of RNAemia between groups, with ICU patients showing the highest (>85%). RT-qPCR was as useful as ddPCR to detect and quantify SARS-CoV-2 RNAemia in plasma.
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.
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 | 0,001 | 0,001 |
| 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 découle