Detection of SARS-CoV-2 in saliva by a low-cost LSPR-based sensor
Notice bibliographique
Résumé
The SARS-CoV-2 pandemic started more than 3 years ago, but the containment of the spread is still a challenge. Screening is imperative for informed decision making by government authorities to contain the spread of the virus locally. The access to screening tests is disproportional, due to the lack of access to reagents, equipment, finances or because of supply chain disruptions. Low and middle-income countries have especially suffered with the lack of these resources. Here, we propose a low cost and easily constructed biosensor device based on localized surface plasmon resonance, or LSPR, for the screening of SARS-CoV-2. The biosensor device, dubbed "sensor" for simplicity, was constructed in two modalities: (1) viral detection in saliva and (2) antibody against COVID in saliva. Saliva collected from 18 patients were tested in triplicates. Both sensors successfully classified all COVID positive patients (among hospitalized and non-hospitalized). From the COVID negative patients 7/8 patients were correctly classified. For both sensors, sensitivity was determined as 100% (95% CI 79.5-100) and specificity as 87.5% (95% CI 80.5-100). The reagents and equipment used for the construction and deployment of this sensor are ubiquitous and low-cost. This sensor technology can then add to the potential solution for challenges related to screening tests in underserved communities.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 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 ».