An international comparison of anti‐SARS‐COV‐2 assays used for seroprevalence surveys from blood component providers
Notice bibliographique
Résumé
BACKGROUND AND OBJECTIVES: Access to large pools of healthy adult donors advantageously positions blood component providers to undertake anti-SARS-CoV-2 seroprevalence studies. While numerous seroprevalence reports have been published by blood operators during the COVID-19 pandemic, details on the assay used has not been well documented. The objectives of this study were to evaluate the diversity of assays being used by blood operators and assess how this may affect seroprevalence estimates. MATERIALS AND METHODS: We surveyed 49 blood component providers from 39 countries. Questionnaire included information on the number and identity of assays used, the detected immunoglobulin(s) and target antigen, and performance characteristics (sensitivity, specificity). RESULTS: Thirty-eight of the 49 contacted blood suppliers provided at least partial responses. The results indicate that 19 commercial and five in-house serology assays have been used by surveyed blood operators. The Abbott SARS-CoV-2 IgG assay was the most commonly used kit and utilized by 15 blood suppliers. Two assays did not detect IgG, but detected either IgM/IgA or IgM. 68·2% of assays targeted the spike protein and 50% the nucleocapsid protein, while 18·2% targeted both viral proteins. The sensitivity and specificity of IgG-specific assays ranged from 71·9% to 100% and from 96·2% to 100%, respectively. As of 18 October 2020, the seroprevalence was below 5% in 10 of 14 countries reporting. CONCLUSION: Our results highlight the diversity of assays being used. Analyses comparing blood donor seroprevalence across countries should consider assay characteristics with optimization of signal/cut-off ratios and consistent methodology to adjust for waning antibody.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 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 ».