Use of US Blood Donors for National Serosurveillance of Severe Acute Respiratory Syndrome Coronavirus 2 Antibodies: Basis for an Expanded National Donor Serosurveillance Program
Notice bibliographique
Résumé
BACKGROUND: The Recipient Epidemiology and Donor Evaluation Study-IV-Pediatric (REDS-IV-P) Epidemiology, Surveillance and Preparedness of the Novel SARS-CoV-2 Epidemic (RESPONSE) seroprevalence study conducted monthly cross-sectional testing for severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2) antibodies in blood donors in 6 US metropolitan regions to estimate the extent of SARS-CoV-2 infections over time. METHODS: During March-August 2020, approximately ≥1000 serum specimens were collected monthly from each region and tested for SARS-CoV-2 antibodies using a well-validated algorithm. Regional seroprevalence estimates were weighted based on demographic differences compared with the general population. Seroprevalence was compared with reported coronavirus disease 2019 (COVID-19) case rates over time. RESULTS: For all regions, seroprevalence was <1.0% in March 2020. New York, New York, experienced the biggest increase (peak seroprevalence, 15.8% in May). All other regions experienced modest increases in seroprevalence (1%-2% in May-June to 2%-4% in July-August). Seroprevalence was higher in younger, non-Hispanic black, and Hispanic donors. Temporal increases in donor seroprevalence correlated with reported case rates in each region. In August, 1.3-5.6 estimated cumulative infections (based on seroprevalence data) per COVID-19 case were reported to the Centers for Disease Control and Prevention. CONCLUSIONS: Increases in seroprevalence were found in all regions, with the largest increase in New York. Seroprevalence was higher in non-Hispanic black and Hispanic than in non-Hispanic white blood donors. SARS-CoV-2 antibody testing of blood donor samples can be used to estimate the seroprevalence in the general population by region and demographic group. The methods derived from the RESPONSE seroprevalence study served as the basis for expanding SARS-CoV-2 seroprevalence surveillance to all 50 states and Puerto Rico.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,021 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».