Étude PRONTO : Rendement clinique de l’ID NOW chez les personnes présentant des symptômes compatibles avec le SRAS-CoV-2 dans les centres désignés de dépistage — réduction des délais pour la recherche des contacts
Bibliographic record
Abstract
Contexte : Cette étude PRONTO a examiné le rendement clinique de la méthode diagnostique COVID-19 d’Abbott ID NOWTM (IDN) utilisé au point de service et son impact sur le délai de divulgation des résultats du test. Méthodes : Étude prospective menée de décembre 2020 à février 2021 chez des participants avec des symptômes aigus se présentant dans trois centres désignés de dépistage de la province de Québec. Résultats : Des échantillons appariés valides ont été obtenus auprès de 2 372 participants. Un résultat positif soit pour l’IDN, soit au test d’amplification des acides nucléiques standard (TAAN-S a été obtenu chez 423 participants (prévalence de 17,8 %). Les sensibilités globales de l’IDN et du TAAN-S étaient de 96,4 % (IC 95 % : 94,2–98,0 %) et 99,1 % (IC 95 % : 97,6–99,8), respectivement; les valeurs prédictives négatives étaient de 99,2 % (IC 95 % : 98,7–99,6%) et 99,8% (IC 95 % : 99,5–100 %), respectivement. Le délai d’obtention de résultats positifs était nettement plus rapide avec l’IDN. Conclusion : D’après notre expérience, l’utilisation de l’IDN chez les personnes symptomatiques dans les centres désignés de dépistage est une alternative sensible fiable au TAAN-S, sans qu’il soit nécessaire de confirmer ultérieurement les résultats négatifs. Ce déploiement peut accélérer la recherche des contacts, réduire la charge des laboratoires et améliorer l’accès aux tests.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.013 | 0.023 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".