Using rapid (point-of-care) tests for COVID-19: A decision analysis comparing the expected benefit of two screening strategies
Notice bibliographique
Résumé
Abstract Background Rapid tests for COVID-19 could be used to augment the otherwise limited laboratory-based testing capacity, but there are concerns that their utility may be compromised by their limited accuracy. The objective of this article is to compare the expected benefit (EB) of two screening strategies, one with rapid tests (SwRT) and another one without rapid tests . Methods We performed a decision analysis, with the overall EB defined as the proportion of correctly identified individuals minus the proportion of incorrectly identified individuals. Accordingly, the SwRT strategy will be deemed a better screening strategy if its lesser EB for COVID-19 free individuals is more than compensated by its greater EB for COVID-19 individuals. Otherwise, it will not. Results As expected, the EB for COVID-19 individuals was greater for the SwRT strategy, with a far superior ability to rule out the presence of COVID-19. In fact, under the scenario of interest (i.e., 8000 ID Now rapid tests in addition to 28185 lab-based RT-PCR tests), it identified almost 16% more COVID-19 individuals than the strategy. In addition, the EB for COVID-19 free individuals was the same for both strategies, with a perfect ability at ruling in the presence of COVID-19. Conclusion The SwRT strategy identified more COVID-19 individuals and this gain was not obtained at the detriment of COVID-19 free individuals who were equally well identified by both strategies. Hence, the SwRT strategy is a better screening strategy for COVID-19. It represents an opportunity to curtail the spread of SARS-CoV-2 that we may not afford to miss with new more contagious variants becoming more and more common in Canada.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 |
| 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 ».