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 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».