Impact of dried blood spot vs. venous sample collection on SARS-CoV-2 antibody test results in the CLSA serological study of older Canadians
Notice bibliographique
Résumé
Participant-collected dried blood spots (DBS), which can be returned using regular mail, are convenient for collecting samples for population serology studies. The impact of DBS sampling on assay performance remains unclear. We estimated the impact of using DBS samples on estimates of population SARS-CoV-2 antibody levels within a study of older Canadians. Analyzing data from 3,796 participants who provided DBS samples and 3,457 participants who provided venous samples, we estimated the impact of sample collection modality on odds of testing positive for anti-nucleocapsid antibodies (Anti-N) or for antibodies to the SARS-CoV-2 spike protein (Anti-S) using the Elecsys Anti-SARS-CoV-2 and Anti-SARS-CoV-2 S immunoassays. We used inverse probability of treatment weighting to control for differences between participants who provided DBS or venous samples, including sample collection date and participants’ age, vaccination status, and geographic location. Compared to venous samples, DBS samples were less likely to be Anti-N positive (weighted risk ratio [RR]: 0.30, 95% confidence interval [CI]: 0.25–0.36) and less likely to be Anti-S positive (RR: 0.83, 95% CI: 0.80–0.86). We estimate that using DBS for all participants would have underestimated seropositivity for anti-N antibodies (2.48% using DBS; 8.32% using venous) and anti-S antibodies by (42.7% using DBS; 51.6% using venous). In population serology studies, DBS samples should only be used instead of venous blood draws when the impact on assay performance is well-characterized and appropriate adjustments are used to derive population seropositivity estimates.
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 | 0,005 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».