Seroprevalence of SARS-CoV-2 antibodies among healthy blood donors: a systematic review and meta-analysis
Notice bibliographique
Résumé
The development of a potent immune response and antibodies against SARS-CoV-2 is important for herd immunity. The serological response may be due to a previous infection or vaccination. Healthy blood donors could represent and provide information on the immune status of the general population. Therefore, we estimated the global and regional prevalence of SARS-CoV-2 antibodies among healthy blood donors. We conducted a systematic search of PubMed, Scopus, and ProQuest from December 2019 to January 2023. After critical appraisal and quality assessment, a qualitative synthesis of the identified relevant articles was performed. The random-effects model was used to estimate the pooled prevalence of SARS-CoV-2 antibodies. Funnel plots and Egger ’s test were used to assess publication bias. Sensitivity analysis was performed, and heterogeneity was quantified using I 2 statistics . A total of 70 peer-reviewed articles were selected that together included 2,454,192 blood donors. The global estimated pooled prevalence of SARS-CoV-2 antibodies among healthy blood donors was 10.3% (95% CI: 4.6 – 18.0%, n = 70). The highest seroprevalence was observed in Asia (17.7%), followed by Africa (16.1%). The seroprevalence in studies conducted before the introduction of the vaccine was 6.1%, whereas those of studies conducted after vaccines were available was 27.6%. High seroprevalence was observed in studies that measured antibodies against the S protein of the virus (15.2%), while lower (12.5%) in those that measured antibodies against the N protein . A high seroprevalence was observed in studies that only measured IgG antibodies (16.3%), and it was 5.9% in studies that measured total antibodies. The prevalence of SARS-CoV-2 antibodies among healthy blood donors varies, potentially indicating geographical disparities in transmission and vaccination rates. To enhance community resilience, addressing these differences through inclusive health policies and adaptable public health measures is crucial.
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 | 0,014 | 0,038 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,017 | 0,029 |
| Bibliométrie | 0,009 | 0,010 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 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 ».