Minipool testing for <scp>SARS‐CoV</scp>‐2 <scp>RNA</scp> in United States blood donors
Notice bibliographique
Résumé
BACKGROUND: SARS-CoV-2 RNA prevalence in blood donors from large geographic areas of high community transmission is limited. We tested residual donor plasma minipools (MPs) to determine SARS-CoV-2 RNAemia prevalence in six United States areas. STUDY DESIGN/METHODS: Blood donations collected from 7 March 2020 to 25 September 2020 were tested for SARS-CoV-2 RNA (vRNA) in MP of 6 or 16 donations using the Grifols Procleix SARS-CoV-2 research-use only (RUO) transcription-mediated amplification (TMA) assay. Reactive results were confirmed using an alternate target region TMA assay. Reactive MPs were tested by TMA after serial dilution to estimate viral load. Testing for anti-SARS-CoV-2 antibodies and infectivity was performed. RESULTS: A total of 17,995 MPs corresponding to approximately 258,000 donations were tested for vRNA. Three confirmed reactive MP16 were identified. The estimated prevalence of vRNA reactive donations was 1.16/100,000 (95% CI 0.40, 3.42). The vRNA-reactive samples were non-reactive for antibody, and the estimated viral loads of the (presumed single) positive donations within each MP ranged from <1000 to <4000 copies/ml. When tested, no infectivity was observed in inoculated permissive cell cultures. DISCUSSION: Blood donation MP-nucleic acid testing (NAT) indicated that SARS-CoV-2 RNAemia is infrequent and, when detected, the vRNA was at low concentrations. Only one RNA-reactive MP could be tested for infectivity for operational reasons and was not infectious in cell culture. These findings support current recommendations from international and national regulatory agencies to not screen donors by NAT.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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 ».