One-Year Update on Salivary Diagnostic of COVID-19
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Coronavirus disease 2019 (COVID-19) is a global health problem, which is challenging healthcare worldwide. In this critical review, we discussed the advantages and limitations in the implementation of salivary diagnostic platforms of COVID-19. The diagnostic test of COVID-19 by invasive nasopharyngeal collection is uncomfortable for patients and requires specialized training of healthcare professionals in order to obtain an appropriate collection of samples. Additionally, these professionals are in close contact with infected patients or suspected cases of COVID-19, leading to an increased contamination risk for frontline healthcare workers. Although there is a colossal demand for novel diagnostic platforms with non-invasive and self-collection samples of COVID-19, the implementation of the salivary platforms has not been implemented for extensive scale testing. Up to date, several cross-section and clinical trial studies published in the last 12 months support the potential of detecting SARS-CoV-2 RNA in saliva as a biomarker for COVID-19, providing a self-collection, non-invasive, safe, and comfortable procedure. Therefore, the salivary diagnosis is suitable to protect healthcare professionals and other frontline workers and may encourage patients to get tested due to its advantages over the current invasive methods. The detection of SARS-CoV-2 in saliva was substantial also in patients with a negative nasopharyngeal swab, indicating the presence of false negative results. Furthermore, we expect that salivary diagnostic devices for COVID-19 will continue to be used with austerity without excluding traditional gold standard specimens to detect SARS-CoV-2.
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.
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 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 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 découle