In search of COVID-19: The ability of biodetection canines to detect COVID-19 odours from clinical samples
Notice bibliographique
Résumé
BACKGROUND: COVID-19 continues to be a public health concern and the demand for fast and reliable screening tests remains. SARS-CoV-2 infection in humans generates a specific volatile organic compound signature; this 'volatilome' could be used to deploy highly trained canine scent detection teams if they could reliably detect odours from infected individuals. METHODS: Two dogs were trained over 19 weeks to discriminate between the odours produced by breath, sweat, and gargle specimens collected from SARS-CoV-2 infected and uninfected individuals. Third party validation was conducted in a randomized double-blinded controlled manner using fresh odours obtained from different patients within 10 days of their first positive SARS-CoV-2 molecular result. RESULTS: Cumulatively, the dogs completed 299 training sessions on odours from 108 unique participants. Validation was conducted over 2 days with 120 new odours. Twenty-four were odours collected from SARS-CoV-2 positive individuals (8 gargle, 8 sweat, and 8 breath); 21 were from SARS-CoV-2 negative individuals (5 gargle, 8 sweat, and 8 breath) and the remaining 75 were odours that the dogs could have associated with the target odour during training. The dogs were able to identify odours from positive specimens with an overall sensitivity of 100% and a specificity of 87.5%. Considering a community prevalence of 10%, the combined negative predictive value of the dogs was 100% and the positive predictive value was 47.1%. CONCLUSIONS: Multiple dogs can be trained to accurately detect SARS-CoV-2 positive individuals. Future research is required to determine how and when canine scent detection teams should be deployed.
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 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».