Impact of molecular diagnostic techniques on the acute respiratory infection sentinel surveillance program, Antioquia, Colombia, 2022
Notice bibliographique
Résumé
Objectives Surveillance of acute respiratory infection (ARI) informs vaccination, preventive, and management decisions. In many countries, immunofluorescence is the cornerstone for ARI surveillance. We aimed to determine the effect of adding multiplex polymerase chain reaction (mPCR) to conventional surveillance in ARI. Methods Respiratory samples from patients with influenza-like illness (ILI) and severe acute respiratory infection (SARI) were tested by a conventional approach [direct immunofluorescence (DIF) and SARS-CoV-2 PCR, and a subset of samples underwent routine testing]. Negative specimens were tested by multiplex PCR (mPCR), and remain negative samples were sequenced. Descriptive, multivariable regression analyses were conducted. Results Between March and June 2022, 299 patients were enrolled. Pathogens were detected in 43.8% of samples (131/299) tested by the conventional approach. Of the 168 negatives after the conventional approach, 157 (93.4%) were positive by mPCR, increasing the detection rate to 96.3% (288/299). With the conventional approach, the most frequent pathogen was respiratory syncytial virus (50.3%, 66/131), whereas with mPCR it was Haemophilus influenzae (37.5%, 63/168). mPCR significantly improved pathogen detection in ARI surveillance (Adjusted Incidence Rate Ratios 4.22 95% IC 4.22–5.85). Conclusion Adding mPCR to respiratory surveillance conventionally based on DIF significantly enhanced virus and bacteria detection. mPCR should be considered for routine ARI 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 | 0,004 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 ».