<scp>SARS‐CoV</scp>‐2 seroprevalence among blood donors in Uganda: 2019–2022
Notice bibliographique
Résumé
BACKGROUND: The true burden of COVID-19 in low- and middle-income countries remains poorly characterized, especially in Africa. Even prior to the availability of SARS-CoV-2 vaccines, countries in Africa had lower numbers of reported COVID-19 related hospitalizations and deaths than other regions globally. METHODS: Ugandan blood donors were evaluated between October 2019 and April 2022 for IgG antibodies to SARS-CoV-2 nucleocapsid (N), spike (S), and five variants of the S protein using multiplexed electrochemiluminescence immunoassays (MesoScale Diagnostics, Rockville, MD). Seropositivity for N and S was assigned using manufacturer-provided cutoffs and trends in seroprevalence were estimated by quarter. Statistically significant associations between N and S antibody seropositivity and donor characteristics in November-December 2021 were assessed by chi-square tests. RESULTS: A total of 5393 blood unit samples from donors were evaluated. N and S seropositivity increased throughout the pandemic to 82.6% in January-April 2022. Among seropositive individuals, N and S antibody levels increased ≥9-fold over the study period. In November-December 2021, seropositivity to N and S antibody was higher among repeat donors (61.3%) compared with new donors (55.1%; p = .043) and among donors from Kampala (capital city of Uganda) compared with rural regions (p = .007). Seropositivity to S antibody was significantly lower among HIV-seropositive individuals (58.8% vs. 84.9%; p = .009). CONCLUSIONS: Despite previously reported low numbers of COVID-19 cases and related deaths in Uganda, high SARS-CoV-2 seroprevalence and increasing antibody levels among blood donors indicated that the country experienced high levels of infection over the course of the pandemic.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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 | 0,001 |
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 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 ».