Comparison of one single-antigen assay and three multi-antigen SARS-CoV-2 IgG assays in Nigeria
Notice bibliographique
Résumé
Objectives: Determining an accurate estimate of SARS-CoV-2 seroprevalence has been challenging in African countries where malaria and other pathogens are endemic. We compared the performance of one single-antigen assay and three multi-antigen SARS-CoV-2 IgG assays in a Nigerian population endemic for malaria. Methods: De-identified plasma specimens from SARS-CoV-2 RT-PCR positive, dried blood spot (DBS) SARS-CoV-2 RT-PCR positive, and pre-pandemic negatives were used to evaluate the performance of the four SARS-CoV-2 assays (Tetracore, SARS2MBA, RightSign, xMAP). Results: Results showed higher sensitivity with the multi-antigen (81% (Tetracore), 96% (SARS2MBA), 85% (xMAP)) versus the single-antigen (RightSign (64%)) SARS-CoV-2 assay. The overall specificities were 98% (Tetracore), 100% (SARS2MBA and RightSign), and 99% (xMAP). When stratified based on <15 days to ≥15 days post-RT-PCR confirmation, the sensitivities increased from 75% to 88.2% for Tetracore; from 93% to 100% for the SARS2MBA; from 58% to 73% for RightSign; and from 83% to 88% for xMAP. With DBS, there was no positive increase after 15-28 days for the three assays (Tetracore, SARS2MBA, and xMAP). Conclusion: Multi-antigen assays performed well in Nigeria, even with samples with known malaria reactivity, and might provide more accurate measures of COVID-19 seroprevalence and vaccine efficacy.
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 | 0,007 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».