SARS-CoV-2 serology: Validation of high-throughput chemiluminescent immunoassay (CLIA) platforms and a field study in British Columbia
Notice bibliographique
Résumé
BACKGROUND: SARS-CoV-2 antibody testing is required for estimating population seroprevalence and vaccine response studies. It may also increase case identification when used as an adjunct to routine molecular testing. We performed a validation study and evaluated the use of automated high-throughput assays in a field study of COVID-19-affected care facilities. METHODS: Anti-SARS-CoV-2. The validation study included 107 samples (42 known positive; 65 presumed negative). The field study included 296 samples (92 PCR positive; 204 PCR negative or not PCR tested). All samples were tested by the six assays. RESULTS: All assays had sensitivities >90% in the field study, while in the validation study, 5/6 assays were >90% sensitive and DiaSorin was 79% sensitive. Specificities and negative predictive values were >95% for all assays. Field study estimated positive predictive values at 1-10% disease prevalence were 100% for Siemens, Abbott and Roche, while DiaSorin and Ortho assays had lower PPVs at 1% prevalence, but PPVs increased at 5-10% prevalence. In the field study, addition of serology increased diagnoses by 16% compared to PCR testing alone. CONCLUSIONS: All assays evaluated in this study demonstrated high sensitivity and specificity for samples collected at least 14 days post-symptom onset, while sensitivity was variable 0-14 days after infection. The addition of serology to the outbreak investigations increased case detection by 16%.
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 | 0,005 |
| 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 | 0,001 |
| 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 ».