Natural spring water gargle samples as an alternative to nasopharyngeal swabs for SARS‐CoV‐2 detection using a laboratory‐developed test
Notice bibliographique
Résumé
Abstract The objective of this study was to validate the use of spring water gargle (SWG) as an alternative to oral and nasopharyngeal swab (ONPS) for SARS‐CoV‐2 detection with a laboratory‐developed test. Healthcare workers and adults from the general population, presenting to one of two COVID‐19 screening clinics in Montréal and Québec City, were prospectively recruited to provide a gargle sample in addition to the standard ONPS. The paired specimens were analyzed using thermal lysis followed by a laboratory‐developed nucleic acid amplification test (LD‐NAAT) to detect SARS‐CoV‐2, and comparative performance analysis was performed. An individual was considered infected if a positive result was obtained on either sample. A total of 1297 adult participants were recruited. Invalid results ( n = 18) were excluded from the analysis. SARS‐CoV‐2 was detected in 144/1279 (11.3%) participants: 126 from both samples, 15 only from ONPS, and 3 only from SWG. Overall, the sensitivity was 97.9% (95% CI: 93.7–99.3) for ONPS and 89.6% (95% CI: 83.4–93.6; p = 0.005) for SWG. The mean ONPS cycle threshold (C t ) value was significantly lower for the concordant paired samples as compared to discordant ones (22.9 vs. 32.1; p < 0.001). In conclusion, using an LD‐NAAT with thermal lysis, SWG is a less sensitive sampling method than the ONPS. However, the higher acceptability of SWG might enable a higher rate of detection from a population‐based perspective. Nonetheless, in patients with a high clinical suspicion of COVID‐19, a repeated analysis with ONPS should be considered. The sensitivity of SWG using NAAT preceded by chemical extraction should be evaluated.
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 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 ».