Different Laboratory Diagnosis Methods of COVID-19: A Systematic Review
Notice bibliographique
Résumé
: The virus causing COVID-19 disease is known as severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2). The disease spread rapidly and was transmitted like a contagious disease throughout China, and then it gradually spread in other parts of the world. Accordingly, the rapid and accurate detection of the SARS-CoV-2 virus plays an essential role in selecting timely treatments, saving lives, and preventing the spread of the disease. This study summarizes the methods used to identify coronavirus nucleic acid. The effectiveness of coronavirus nucleic acid detection kits by different samples and the performance of other diagnostic techniques are also addressed in this study. We searched Embase, Google Scholar, MEDLINE, Web of Science, Scopus, and PubMed databases as well as the references of all relevant articles in English published during 2019 - 2020 using keywords related to COVID-19, detection kits, and respiratory failure and proceedings from relevant conferences and congresses. The authors collected the relevant reports, and each of the authors independently reviewed the data published in different studies. The results of previous studies indicated that the diagnosis methods of the COVID-19 disease are the RT-PCR method, ELISA kits, quick tests, white blood cell count, C-reactive protein (CRP) levels, other laboratory factors and antigenic detection methods. Given the sensitivity and specificity of these methods at different periods using different samples, the disease interpretation can be performed accurately. The findings showed that proper laboratory equipment and appropriate laboratory kits are necessary for the rapid and precise identification of 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 | 0,002 | 0,086 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,013 | 0,005 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».