Lessons learned: drive-through COVID-19 clinic testing during an adaptive epidemic response and a point-of-care test assessment of a computer-read rapid lateral flow immunoassay with fluorescence-based detection
Notice bibliographique
Résumé
Background. The COVID-19 pandemic demonstrated a need for robust SARS-CoV-2 test evaluation infrastructure to underpin biosecurity and protect the population during a pandemic health emergency. Gap statement. The first generation of rapid antigen tests was less accurate than molecular methods due to their inherent sensitivity and specificity shortfalls, compounded by the consequences of self-testing. This created a need for more accurate point-of-care SARS-CoV-2 detection methods. Aim. Here we present the lessons-learned during the COVID-19 emergency response in Western Australia including the detailed set-up, evaluation and operation of rapid antigen test in a state-run drive-through sample collection service during the COVID-19 pandemic after the strict border shutdown ended. Methods. We report a conformity assessment of a novel, second-generation rapid antigen test (Virulizer) comprising a technician-operated rapid lateral flow immunoassay with fluorescence-based detection. Results. The Virulizer rapid antigen test demonstrated up to 100% sensitivity (95% CI: 61.0–100%), 91.94% specificity (95% CI: 82.5–96.5%) and 92.65% accuracy when compared to a commercial PCR assay method. Wide confidence intervals in our series reflect the limits of small sample size. Nevertheless, the Virulizer assay performance was well-suited to point-of-care screening for SARS-CoV-2 in a drive-through clinic setting. Conclusion. The adaptive evaluation process necessary under changing pandemic conditions enabled assessment of a simple sample collection and point-of-care testing process, and showed how this system could be rapidly deployed for SARS-CoV-2 testing, including to regional and remote settings.
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 | 0,003 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».