Enhancing detection of SARS-CoV-2 re-infections using longitudinal sero-monitoring: demonstration of a methodology in a cohort of people experiencing homelessness in Toronto, Canada
Notice bibliographique
Résumé
BACKGROUND: Accurate estimation of SARS-CoV-2 re-infection is crucial to understanding the connection between infection burden and adverse outcomes. However, relying solely on PCR testing results in underreporting. We present a novel approach that includes longitudinal serologic data, and compared it against testing alone among people experiencing homelessness. METHODS: We recruited 736 individuals experiencing homelessness in Toronto, Canada, between June and September 2021. Participants completed surveys and provided saliva and blood serology samples every three months over 12 months of follow-up. Re-infections were defined as: positive PCR or rapid antigen test (RAT) results > 90 days after initial infection; new serologic evidence of infection among individuals with previous infection who sero-reverted; or increases in anti-nucleocapsid in seropositive individuals whose levels had begun to decrease. RESULTS: Among 381 participants at risk, we detected 37 re-infections through PCR/RAT and 98 re-infections through longitudinal serology. The comprehensive method identified 37.4 re-infection events per 100 person-years, more than four-fold more than the rate detected through PCR/RAT alone (9.0 events/100 person-years). Almost all test-confirmed re-infections (85%) were also detectable by longitudinal serology. CONCLUSIONS: Longitudinal serology significantly enhances the detection of SARS-CoV-2 re-infections. Our findings underscore the importance and value of combining data sources for effective research and public health surveillance.
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) | 0,001 | 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 ».