Pooling sputum for Xpert MTB/RIF and Xpert Ultra testing during the Covid-19 pandemic in Lao People’s Democratic Republic
Notice bibliographique
Résumé
The global Covid-19 pandemic has limited access to molecular TB diagnostics and National Programmes are struggling to maintain essential services. The pooling method (testing several samples together) could reduce the number of cartridges and staff time needed for TB diagnosis but has not been tested within the pandemic. We conducted two independent cross-sectional surveys. Pools composed of four sputum samples were tested using either Xpert-MTB/RIF or Xpert-Ultra. Pooled and individual results were compared to determine the level of agreement. Each survey included 840 participants and 210 pools. In the Xpert MTB/RIF survey, 77/81 (sensitivity 95.1%, 95%CI 87.8%-98.6%) pools containing ≥1 positive sample tested MTB-positive and 4/81 (4.9%, 95%CI 1.4%-12.2%) tested MTB-negative. All 129/129 pools containing MTB-negative samples tested MTB-negative (specificity 100%, 95%CI 97.2%-100%), with 98.1% agreement (Kappa: 0.959). In the Xpert-Ultra survey, 70/70 (sensitivity 100%, 95%CI 94.9%-100%) pools containing ≥ 1 MTB-positive sample tested MTB-positive and 140/140 (specificity 100%, 95%CI 97.4%-100%) pools containing only MTB-negative samples tested MTB-negative, with 100% agreement (Kappa: 1). Pooled testing with Xpert-MTB/RIF and Xpert-Ultra saved 38.3% and 41.7% (322/840 and 350/840, respectively) in cartridge costs alone. The pooling method with Xpert-MTB/RIF and Xpert-Ultra has similar performance to individual testing and can reduce the number of cartridges needed. These efficiencies can facilitate maintenance of stocks and sustain essential services as countries face difficulties for laboratory procurement during the pandemic and will provide cost and time savings post-pandemic.
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 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 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 ».