Use of trained scent dogs for detection of COVID-19 and evidence of cost-saving
Notice bibliographique
Résumé
Background: One of the lessons learned from the coronavirus disease 2019 (COVID-19) pandemic is the importance of early, flexible, and rapidly deployable disease detection methods. Currently, diagnosis of COVID-19 requires the collection of oro/nasopharyngal swabs, nasal turbinate, anterior nares and saliva but as the pandemic continues, disease detection methods that can identify infected individuals earlier and more quickly will be crucial for slowing the spread of the virus. Previous studies have indicated that dogs can be trained to identify volatile organic compounds (VOCs) produced during respiratory infections. We sought to determine whether this approach could be applied for detection of COVID-19 in Rwanda and measured its cost-saving. Methods: diagnosis. Samples were collected from 5,253 participants using a cotton pad swiped in the underarm to collect sweat samples. Statistical analysis was conducted using R statistical software. Findings: From August to September 2021 during the Delta wave, the sensitivity of the dogs' COVID-19 detection ranged from 75.0 to 89.9% for the lowest- and highest-performing dogs, respectively. Specificity ranged from 96.1 to 98.4%, respectively. In the second phase coinciding with the Omicron wave (January-March 2022), the sensitivity decreased substantially from 36.6 to 41.5%, while specificity remained above 95% for all four dogs. The sensitivity and specificity by any positive sample detected by at least one dog was 83.9, 95% CI: 75.8-90.2 and 94.9%; 95% CI: 93.9-95.8, respectively. The use of scent detection dogs was also found to be cost-saving compared to antigen rapid diagnostic tests, based on a marginal cost of approximately $14,000 USD for testing of the 5,253 samples which makes 2.67 USD per sample. Testing turnaround time was also faster with the scent detection dogs, at 3 h compared to 11 h with routine diagnostic testing. Conclusion: The findings from this study indicate that trained dogs can accurately identify respiratory secretion samples from asymptomatic and symptomatic COVID-19 patients timely and cost-effectively. Our findings recommend further uptake of this approach for COVID-19 detection.
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 | 0,000 | 0,002 |
| 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 | 0,000 |
| 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 ».