Best Practices for Human Milk Collection for COVID-19 Research
Notice bibliographique
Résumé
Abstract In addition to providing life-giving nutrients and other substances to the breastfed infant, human milk can also represent a vehicle of pathogen transfer. As such, when an infectious disease outbreak, epidemic, or pandemic occurs – particularly when it is associated with a novel pathogen – the question will naturally arise as to whether the pathogen can be transmitted via breastfeeding. Until high-quality data are generated to answer this question, abandonment of breastfeeding due to uncertainty can result. The COVID-19 pandemic, which was in full swing at the time this document was written, is an excellent example of this scenario. During these times of uncertainty, it is critical for investigators conducting research to assess the possible transmission of pathogens via milk, whether by transfer through the mammary gland or contamination from respiratory droplets, skin, breast pumps, and milk containers, and/or close contact between mother and infant. To promote the most rigorous science, it is critical to outline optimal methods for milk collection, handling, storage, and analysis in these situations, and investigators should openly share their methods in published materials. Otherwise, the risks of inconsistent test results from pre-analytical and analytical variation, false positives, and false negatives are unacceptably high and the ability to provide public health guidance poor. Here we provide “best practices” for collecting human milk samples for COVID-19 research with the intention that this will also be a useful guide for future pandemics.
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 | 0,123 | 0,179 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,007 | 0,004 |
| Études des sciences et des technologies | 0,004 | 0,005 |
| Communication savante | 0,009 | 0,006 |
| Science ouverte | 0,007 | 0,007 |
| Intégrité de la recherche | 0,007 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,026 | 0,069 |
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 ».