SARS-CoV-2 shedding dynamics across the respiratory tract, sex and disease severity for adult and pediatric COVID-19
Notice bibliographique
Résumé
Background SARS-CoV-2 shedding dynamics influence the risk of transmission and clinical manifestations of COVID-19. Yet, the relationships between SARS-CoV-2 shedding dynamics in the upper (URT) and lower respiratory tract (LRT) and age, sex and COVID-19 severity remain unclear. Methods Using systematic review, we developed a dataset of case characteristics (age, sex and COVID-19 severity) and quantitative respiratory viral loads (rVLs). We then conducted stratified analyses to assess SARS-CoV-2 shedding across disease course, COVID-19 severity, the respiratory tract, sex and age groups (aged 0 to 17 years, 18 to 59 years, and 60 years or older). Results The systematic dataset included 1,266 adults and 136 children with COVID-19. In the URT, adults with severe COVID-19 had higher rVLs at 1 day from symptom onset (DFSO) than adults ( P = 0.005) or children ( P = 0.017) with nonsevere illness. Between 1-10 DFSO, severe adults had comparable rates of SARS-CoV-2 clearance from the URT as nonsevere adults ( P = 0.479) and nonsevere children ( P = 0.863). In the LRT, severe adults showed higher rVLs post-symptom onset than nonsevere adults ( P = 0.006). In the analyzed period (4-10 DFSO), severely affected adults had no significant trend in SARS-CoV-2 clearance from LRT ( P = 0.105), whereas nonsevere adults showed a clear trend ( P < 0.001). After stratifying for disease severity, sex and age (including child vs. adult) were not predictive of the duration of respiratory shedding. The estimated accuracy for using URT shedding as a prognostic indicator for COVID-19 severity was up to 65%, whereas it was up to 81% for LRT shedding. Conclusions High, persistent LRT shedding of SARS-CoV-2 characterized severe COVID-19 in adults. After symptom onset, severe cases tended to have slightly higher URT shedding than their nonsevere counterparts. Disease severity, rather than age or sex, predicted SARS-CoV-2 kinetics. LRT specimens more accurately prognosticate COVID-19 severity than do URT specimens. Funding Natural Sciences and Engineering Research Council of Canada (NSERC) Discovery Grant, NSERC Senior Industrial Research Chair and the Toronto COVID-19 Action Fund.
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 | 0,006 | 0,032 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,008 |
| Bibliométrie | 0,008 | 0,008 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».