Validation of new equipment for SARS-CoV-2 diagnosis in Ecuador: Detection of the virus and antibodies generated by disease and vaccines with one POC device
Notice bibliographique
Résumé
The COVID-19 pandemic underscored the critical need to enhance screening capabilities and streamline diagnosis. Point-of-care (POC) tests offer a promising solution by decentralizing testing. We aimed to validate the PLUM device (LSK Technologies Inc.), a portable optical reader, to detect SARS-CoV-2 RNA using direct RT-LAMP targeting the ORF1a and E1 genes and patient antibodies by ELISA. The direct RT-LAMP assays employ nasopharyngeal swabs and bypass RNA extraction protocols through a brief chemical and physical lysis step. Test sensitivity and specificity were assessed against gold-standard detection methods in laboratory and field conditions. For samples with Ct values below 25, direct RT-LAMP showed 83% sensitivity and 90% specificity under laboratory conditions and 91% sensitivity and 92% specificity under field conditions. The nucleocapsid antigen antibody assay had 99% positive percent agreement (PPA) and 97% negative percent agreement (NPA), outperforming spike-RBD antigen (98% PPA, 92% NPA) and seroprevalence (98% PPA, 88% NPA) under laboratory conditions. Under field conditions, similar results were found for antibody detection for the nucleocapsid antigen (93% PPA; 100% NPA), spike-RBD (100% PPA; 94% NPA), and seroprevalence (90% PPA; 94% NPA). This study validated the PLUM device as a dual POC tool for direct RT-LAMP-based SARS-CoV-2 and ELISA-based COVID-19 antibody detection.
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 | 0,007 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».