Sensitive Serology Measurements in the Saliva of Individuals with COVID-19 Symptoms Using a Multiplexed Immunoassay
Notice bibliographique
Résumé
BACKGROUND: There are numerous benefits to performing salivary serology measurements for severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2), the causative pathogen for coronavirus disease 2019 (COVID-19). Here, we used a sensitive multiplex serology assay to quantitate salivary IgG against 4 SARS-CoV-2 antigens: nucleocapsid, receptor-binding domain, spike, and N-terminal domain. METHODS: We used single samples from 90 individuals with COVID-19 diagnosis collected at 0 to 42 days postsymptom onset (PSO) and from 15 uninfected control subjects. The infected individuals were segmented in 4 groups (0-7 days, 8-14 days, 15-21 days, and >21 days) based on days PSO, and values were compared to controls. RESULTS: Compared to controls, infected individuals showed higher levels of antibodies against all antigens starting from 8 days PSO. When applying cut-offs with at least 93.3% specificity at every time interval segment, nucleocapsid protein serology had the best sensitivity at 0 to 7 days PSO (60% sensitivity [35.75% to 80.18%], ROC area under the curve [AUC] = 0.73, P = 0.034). Receptor-binding domain serology had the best sensitivity at 8 to 14 days PSO (83.33% sensitivity [66.44%-92.66%], ROC AUC = 0.90, P < 0.0001), and all assays except for N-terminal domain had 92% sensitivity (75.03%-98.58%) at >14 days PSO. CONCLUSIONS: This study shows that our multiplexed immunoassay can distinguish infected from uninfected individuals and reliably (93.3% specificity) detect seroconversion (in 60% of infected individuals) as early as the first week PSO, using easy-to-collect saliva samples.
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 | 0,008 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,001 |
| 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 ».