Performance of different rapid antigen testing strategies for SARS‐CoV‐2: A living rapid review
Notice bibliographique
Résumé
BACKGROUND: Rapid antigen detection tests (RADTs) for SARS-CoV-2 testing offer several advantages over molecular tests, but there is little evidence supporting an ideal testing algorithm. We aimed to examine the diagnostic test accuracy (DTA) and the effectiveness of different RADT SARS-CoV-2 testing strategies. METHODS: Following PRISMA DTA guidance, we carried out a living rapid review and meta-analysis. Searches were conducted in Ovid MEDLINE® ALL, Embase and Cochrane CENTRAL electronic databases until February 2022. Results were visualized using forest plots and included in random-effects univariate meta-analyses, where eligible. RESULTS: After screening 8010 records, 18 studies were included. Only one study provided data on incidence outcomes. Seventeen studies were DTA reports with direct comparisons of RADT strategies, using RT-PCR as the reference standard. Testing settings varied, corresponding to original SARS-CoV-2 or early variants. Strategies included differences in serial testing, the individual collecting swabs and swab sample locations. Overall, specificity remained high (>98%) across strategies. Although results were heterogeneous, the sensitivity for healthcare worker-collected samples was greater than for self-collected samples. Nasal samples had comparable sensitivity when compared to paired RADTs with nasopharyngeal samples, but sensitivity was much lower for saliva samples. The limited evidence for serial testing suggested higher sensitivity if RADTs were administered every 3 days compared to less frequent testing. CONCLUSIONS: Additional high-quality research is needed to confirm our findings; all studies were judged to be at risk of bias, with significant heterogeneity in sensitivity estimates. Evaluations of testing algorithms in real-world settings are recommended, especially for transmission and incidence outcomes.
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 | 0,010 | 0,028 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| 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 | 0,001 |
| 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 ».