Salivary SARS-CoV-2 RNA for diagnosis of COVID-19 patients: A systematic review and meta-analysis of diagnostic accuracy
Notice bibliographique
Résumé
Accurate, self-collected, and non-invasive diagnostics are critical to perform mass-screening diagnostic tests for COVID-19. This systematic review with meta-analysis evaluated the accuracy, sensitivity, and specificity of salivary diagnostics for COVID-19 based on SARS-CoV-2 RNA compared with the current reference tests using a nasopharyngeal swab (NPS) and/or oropharyngeal swab (OPS). An electronic search was performed in seven databases to find COVID-19 diagnostic studies simultaneously using saliva and NPS/OPS tests to detect SARS-CoV-2 by RT-PCR. The search resulted in 10,902 records, of which 44 studies were considered eligible. The total sample consisted of 14,043 participants from 21 countries. The accuracy, specificity, and sensitivity for saliva compared with the NPS/OPS was 94.3% (95%CI= 92.1;95.9), 96.4% (95%CI= 96.1;96.7), and 89.2% (95%CI= 85.5;92.0), respectively. Besides, the sensitivity of NPS/OPS was 90.3% (95%CI= 86.4;93.2) and saliva was 86.4% (95%CI= 82.1;89.8) compared to the combination of saliva and NPS/OPS as the gold standard. These findings suggest a similarity in SARS-CoV-2 RNA detection between NPS/OPS swabs and saliva, and the association of both testing approaches as a reference standard can increase by 3.6% the SARS-CoV-2 detection compared with NPS/OPS alone. This study supports saliva as an attractive alternative for diagnostic platforms to provide a non-invasive detection of SARS-CoV-2.
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 | 0,014 | 0,040 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,016 | 0,034 |
| Bibliométrie | 0,006 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».