Increasing SARS-CoV-2 testing capacity through specimen pooling: An acute care center experience
Notice bibliographique
Résumé
Innovation in laboratory testing algorithms to address seemingly uncontrollable global supply chain shortages in plastics and other consumables during emergencies such as the current COVID-19 pandemic have been urgently needed. We report our experience with specimen pooling on SARS-CoV-2 testing in an acute care hospital microbiology laboratory during a high testing demand period that exceeded available processing capacity. A fully automated four-in-one pooling algorithm was designed and validated. Correlation and agreement were calculated. A custom Microsoft Excel tool was designed for use by the technologists to aid interpretation, verification and result entry. Cost-per-test impact for pooling was measured in reference to the consumable cost and was denoted as the percentage reduction of cost versus the baseline cost-per-test of testing specimens individually. Validation showed a strong correlation between the signals observed when testing specimens individually versus those that were pooled. Average crossing point difference was 1.352 cycles (95% confidence interval of -0.235 and 2.940). Overall agreement observed between individually and pooled tested specimens was 96.8%. Stratified agreement showed an expected decreased performance of pooling for weakly positive specimens dropping below 60% after a crossing point of 35. Post-implementation data showed the consumable cost-savings achieved through this algorithm was 85.5% after 8 months, creating both testing and resource capacity. Pooling is an effective method to be used for SARS-CoV-2 testing during the current pandemic to address resource shortages and provide quick turnaround times for high test volumes without compromising performance.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,000 |
| 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 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 ».