Efficient SARS-CoV-2 detection in unextracted oro-nasopharyngeal specimens by rRT-PCR with the Seegene AllplexTM 2019-nCoV assay
Notice bibliographique
Résumé
Abstract The fight against the COVID-19 pandemic has created an urgent need to detect and isolate infected people. The challenge for clinical laboratories has been finding a high throughput, cheap, and efficient testing method in the context of extraction reagent shortages on a planetary scale. To answer this need, we studied SARS-CoV-2 detection in nasopharyngeal swabs stored in UTM (Universal Transport Media) or RNAse-free water by rRT-PCR with the Seegene Allplex TM 2019-nCoV assay without RNA extraction. Optimal results were obtained with 1/2 dilution for swabs in RNAse free water (30/30 detected) and 1/5 dilution for swabs in UTM (29/30 detected) followed by thermal lysis. In addition, a proteinase K (PK) treatment allows a significant reduction of invalid results and increases sensitivity for detection of low viral load specimens. In a panel of 90 known positives with all 3 viral genes present and N gene Ct values from 15 to 40, our detection rate was 98.9% with PK and 94.4% without. In a panel of 60 low positives with only the N gene detectable at Ct values > 30, the detection rate was 76.7% with PK vs 53.3% without it and the invalid rate fell off from 18.3% to 0%. Furthermore, we demonstrated that our method reliably detects specimens with Ct values up to 35, however false negatives become frequent above this range. Finally, we show that swabs should be stored at -70 o C rather than 4 o C when testing cannot be performed within 72 hours of collection when laboratories are overwhelmed.
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 | 0,003 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,006 |
| 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 ».