Dried blood spot specimens for SARS-CoV-2 antibody testing: A multi-site, multi-assay comparison
Notice bibliographique
Résumé
Abstract The true severity of infection due to COVID-19 is under-represented because it is based on only those who are tested. Although nucleic acid amplifications tests (NAAT) are the gold standard for COVID-19 diagnostic testing, serological assays provide better population-level SARS-CoV-2 prevalence estimates. Implementing large sero-surveys present several logistical challenges within Canada due its unique geography including rural and remote communities. Dried blood spot (DBS) sampling is a practical solution but comparative performance data on SARS-CoV-2 serological tests using DBS is currently lacking. Here we present test performance data from a well-characterized SARS-CoV-2 DBS panel sent to laboratories across Canada representing 10 commercial and 2 in-house developed tests for SARS-CoV-2 antibodies. Three commercial assays identified all positive and negative DBS correctly corresponding to a sensitivity, specificity, positive predictive value, and negative predictive value of 100% (95% CI = 72.2, 100). Two in-house assays also performed equally well. In contrast, several commercial assays could not achieve a sensitivity greater than 40% or a negative predictive value greater than 60%. Our findings represent the foundation for future validation studies on DBS specimens that will play a central role in strengthening Canada’s public health policy in response to 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 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 | 0,004 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,004 |
| 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 ».