The Challenges of severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2) testing in low-middle income countries and possible cost-effective measures in resource-limited settings
Notice bibliographique
Résumé
Diagnostic testing for the Severe Acute Respiratory Syndrome Coronavirus 2 (SARS-CoV-2) infection remains a challenge around the world, especially in low-middle-income countries (LMICs) with poor socio-economic backgrounds. From the beginning of the pandemic in December 2019 to August 2021, a total of approximately 3.4 billion tests were performed globally. The majority of these tests were restricted to high income countries. Reagents for diagnostic testing became a premium, LMICs either cannot afford or find manufacturers unwilling to supply them with expensive analytical reagents and equipment. From March to December 2020 obtaining testing kits for SARS-CoV-2 testing was a challenge. As the number of SARS-CoV-2 infection cases increases globally, large-scale testing still remains a challenge in LMICs. The aim of this review paper is to compare the total number and frequencies of SARS-CoV-2 testing in LMICs and high-income countries (HICs) using publicly available data from Worldometer COVID-19, as well as discussing possible interventions and cost-effective measures to increase testing capability in LMICs. In summary, HICs conducted more SARS-CoV-2 testing (USA: 192%, Australia: 146%, Switzerland: 124% and Canada: 113%) compared to middle-income countries (MICs) (Vietnam: 43%, South Africa: 29%, Brazil: 27% and Venezuela: 12%) and low-income countries (LICs) (Bangladesh: 6%, Uganda: 4% and Nigeria: 1%). Some of the cost-effective solutions to counteract the aforementioned problems includes using saliva instead of oropharyngeal or nasopharyngeal swabs, sample pooling, and testing high-priority groups to increase the number of mass testing in LMICs.
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 | 0,001 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| 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 ».