Deployment of canine scent detection for the screening of COVID-19 on pillowcases of residents in a long-term care setting – a pilot study
Notice bibliographique
Résumé
Background: Long-term care (LTC) residents have been disproportionately affected by COVID-19 with higher morbidity and mortality. The use of canines for the detection of COVID-19 has been successful in controlled laboratory settings. They have the potential to provide rapid, non-invasive screening in congregate living settings. The ability to assess whether laboratory-trained canines can transfer their scent detection skills to the clinical settings has had limited evaluation. Methods: At Vancouver Coastal Health, two canines were previously trained and validated to differentiate COVID-19 positive and negative PCR samples from breath, sweat and gargle clinical samples from scent stands. Subsequently, they were taught to alert from pillowcases. Following successful validation and in collaboration with a local LTC, the canines performed weekly blind screening of residents’ pillowcases during the Omicron wave. Results: A third-party, double-blind validation on pillowcases demonstrated an overall sensitivity of 100%. The specificity was 100% for the first canine and 82.6% for the second canine. Although no clinical cases occurred during the six-week pilot project, the agreement between the two canine teams was 98.4% on room alerts. In addition, the two teams were able to seamlessly transfer their laboratory skill sets to the LTC setting. Conclusion: Third-party evaluation determined that canines could successfully be trained to detect COVID-19 from pillowcases. The canine teams were then able to efficiently shift their skill set from the laboratory into an operational setting. This pilot project supports that the deployment of canine detection in a clinical setting is possible and could be considered in congregate living 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 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 | 0,004 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 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 ».