Current challenges of severe acute respiratory syndrome coronavirus 2 seroprevalence studies among blood donors: A scoping review
Notice bibliographique
Résumé
Abstract Background and Objectives Blood donors are increasingly being recognized as an informative resource for surveillance. We aimed to review severe acute respiratory syndrome coronavirus 2 seroprevalence studies conducted among blood donors to investigate methodological biases and provide guidance for future research. Materials and Methods We conducted a scoping review of peer‐reviewed and preprint publications between January 2020 and January 2021. Two reviewers used standardized forms to extract seroprevalence estimates and data on methodology pertaining to population sampling, periodicity, assay characteristics, and antibody kinetics. National data on cumulative incidence and social distancing policies were extracted from publicly available sources and summarized. Results Thirty‐three studies representing 1,323,307 blood donations from 20 countries worldwide were included (sample sizes ranged from 22 to 953,926 donations). The majority of the studies (79%) reported seroprevalence rates <10% (ranging from 0% to 76% [after adjusting for waning antibodies]). Overall, less than 1 in 5 studies reported standardized seroprevalence rates to reflect the demographics of the general population. Stratification by age and sex were most common (64% of studies), followed by region (48%). A total of 52% of studies reported seroprevalence at a single time point. Overall, 27 unique assay combinations were identified, 55% of studies used a single assay and only 39% adjusted seroprevalence rates for imperfect test characteristics. Among the nationally representative studies, case detection was most underrepresented in Kenya (1:1264). Conclusion By the end of 2020, seroprevalence rates were far from reaching herd immunity. In addition to differences in community transmission and diverse public health policies, study designs and methodology were likely contributing factors to seroprevalence heterogeneity.
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 | 0,062 | 0,225 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,008 | 0,006 |
| Bibliométrie | 0,033 | 0,025 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,008 | 0,008 |
| Science ouverte | 0,004 | 0,004 |
| Intégrité de la recherche | 0,005 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».