317. Use cases for rapid antigen-detecting tests for COVID-19 screening and surveillance: a systematic review
Notice bibliographique
Résumé
Abstract Background Testing remains critical to controlling the COVID-19 pandemic. Antigen-detecting rapid diagnostic tests (Ag-RDTs), which can be used at the point of care, have the potential to increase access to COVID-19 testing, particularly in settings with limited laboratory capacity. This systematic review synthesized literature on specific use cases and performance of Ag-RDTs for detecting SARS-CoV-2, for the first comprehensive assessment of Ag-RDT use in real-world settings. Methods We searched three databases (PubMed, EMBASE and medRxiv) up to 12 April 2021 for publications on Ag-RDT use for large-scale screening and surveillance of COVID-19, excluding studies of only presumptive COVID-19 patients. We tabulated data on the study setting, populations, type of test, diagnostic performance, and operational findings. We assessed risk of bias using QUADAS-2 and an adapted tool for prevalence studies. Results From 4313 citations, 39 studies conducted in asymptomatic and symptomatic individuals were included. Of 39 studies, 37 (94.9%) investigated lateral flow Ag-RDTs and 2 (5.1%) investigated multiplex sandwich chemiluminescent enzyme immunoassay Ag-RDTs. Six categories of testing initiatives were identified: mass screening (n=13), targeted screening (n=11), healthcare entry testing (n=6), at-home testing (n=4), surveillance (n=4) and prevalence survey (n=1). Sensitivity and specificity values by testing category are shown in the table. Ag-RDTs were noted as convenient, easy-to-use, and low cost, with a rapid turnaround time and high user acceptability. Risk of bias was generally low or unclear across studies. Conclusion During the first year of the COVID-19 pandemic, Ag-RDTs were used across a wide range of real-world settings for screening and surveillance of COVID-19 in both symptomatic and asymptomatic individuals. Ag-RDTs were fast and simple to run, but due to their often low sensitivity, careful consideration must be given to their implementation and interpretation. Ag-RDTs have subsequently been rolled out more broadly and recommended for COVID-19 self-testing. Disclosures Talya Underwood, MPhil, Oncotherapeutics: Medical writing.
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 | 0,011 | 0,064 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,008 | 0,009 |
| Bibliométrie | 0,017 | 0,015 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,001 |
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 ».