SARS-CoV-2 Nucleocapsid Plasma Antigen for Diagnosis and Monitoring of COVID-19
Notice bibliographique
Résumé
BACKGROUND: Detection of severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2) nucleocapsid antigen in blood has been described, but the diagnostic and prognostic role of antigenemia is not well understood. This study aimed to determine the frequency, duration, and concentration of nucleocapsid antigen in plasma and its association with coronavirus disease 2019 (COVID-19) severity. METHODS: We utilized an ultrasensitive electrochemiluminescence immunoassay targeting SARS-CoV-2 nucleocapsid antigen to evaluate 777 plasma samples from 104 individuals with COVID-19. We compared plasma antigen to respiratory nucleic acid amplification testing (NAAT) in 74 individuals with COVID-19 from samples collected ±1 day of diagnostic respiratory NAAT and in 52 SARS-CoV-2-negative individuals. We used Kruskal-Wallis tests, multivariable logistic regression, and mixed-effects modeling to evaluate whether plasma antigen concentration was associated with disease severity. RESULTS: Plasma antigen had 91.9% (95% CI 83.2%-97.0%) clinical sensitivity and 94.2% (84.1%-98.8%) clinical specificity. Antigen-negative plasma samples belonged to patients with later respiratory cycle thresholds (Ct) when compared with antigen-positive plasma samples. Median plasma antigen concentration (log10 fg/mL) was 5.4 (interquartile range 3.9-6.0) in outpatients, 6.0 (5.4-6.5) in inpatients, and 6.6 (6.1-7.2) in intensive care unit (ICU) patients. In models adjusted for age, sex, diabetes, and hypertension, plasma antigen concentration at diagnosis was associated with ICU admission [odds ratio 2.8 (95% CI 1.2-6.2), P=.01] but not with non-ICU hospitalization. Rate of antigen decrease was not associated with disease severity. CONCLUSIONS: SARS-CoV-2 plasma nucleocapsid antigen exhibited comparable diagnostic performance to upper respiratory NAAT, especially among those with late respiratory Ct. In addition to currently available tools, antigenemia may facilitate patient triage to optimize intensive care utilization.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,000 |
| 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 ».