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 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 | 0,004 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 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 ».