Clinical Performance of Self-Collected Nasal Swabs and Antigen Rapid Tests for SARS-CoV-2 Detection in Resource-Poor Settings
Notice bibliographique
Résumé
Background: In resource-poor countries, antigen-based rapid tests (Ag-RDTs) performed at primary healthcare and community settings improved access to SARS-CoV-2 diagnostics. However, the technical skills and biosafety requirements inherent to nasopharyngeal and oropharyngeal (OP) specimens limit the scale-up of SARS-CoV-2 testing. The collection of nasal-swabs is programmatically viable, but its performance has not been evaluated in resource-poor settings. Methods: We first evaluated the performance of SteriPack self-collected nasal swabs for the detection of SARS-CoV-2 by real-time PCR in 1498 consecutively enrolled patients with suspected infection. Next, we evaluated the clinical performance of three nasal swab-based Ag-RDTs against real-time PCR on OP specimens. Results: The sensitivity of nasal swabs was 80.6% [95% CI: 75.3−85.2%] compared to OP specimens. There was a good correlation (r = 0.58; p < 0.0001) between Ct values of 213 positive cases obtained using nasal and OP swabs. Our findings show sensitivities of 79.7% [95% CI: 73.3−85.1%] for Panbio COVID-19 Ag-RDT, 59.6% [95% CI: 55.2−63.8%] for COVIOS Ag-RDT, and 78.0% [95% CI: 73.5−82.0%] for the LumiraDx SARS-CoV-2 Ag-RDT. Conclusions: In our setting, the COVIOS Ag-RDT did not meet WHO requirements. Nasal swab-based Ag-RDTs for SARS-CoV-2 detection constitute a viable and accurate diagnostic option in resource-poor settings.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,000 |
| 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 ».