Multiplex assays for the identification of serological signatures of SARS-CoV-2 infection: an antibody-based diagnostic and machine learning study
The Lancet Microbe·
- DOI
- 10.1016/s2666-5247(20)30197-x
- PMID
- 33521709
- PMCID
- PMC7837364
- OpenAlex
- W3116955314
- 研究类型
- Mathematical modelling
- 出版商
- Elsevier BV
- 文章类型
- journal-article
- 完整性状态
- current
发表版本
本文关联一个预印本版本
该关系来自 Crossref 版本元数据。不同版本之间的结果与表述可能变化，请对照核验。
查看关联预印本 →为何这项研究现在值得关注
多重血清学方法为识别感染六个月以上的个体以及在极低传播环境中测量血清阳性率提供了潜在解决方案,应对了SARS-CoV-2血清学监测中的关键挑战。
结构化证据摘要
研究问题
本研究旨在通过测量针对多种抗原的抗体反应并使用机器学习对既往感染者进行分类,开发更准确的SARS-CoV-2血清学诊断方法。
研究设计
研究开发了一种多重血清学检测方法,测定RT-PCR确诊病例和大流行前对照样本中针对多种SARS-CoV-2及其他冠状病毒抗原的IgG和IgM抗体。研究使用机器学习分类器对多重检测数据进行训练,并采用基于既往冠状病毒数据的贝叶斯数学模型估计感染后一年内抗体反应的时间变化及诊断性能。
人群与场景
血清样本来自法国四家医院的215名成年人,包括53名患者和162名医护人员,均为症状出现后39天内的RT-PCR确诊SARS-CoV-2感染者。阴性对照样本来自法国、泰国和秘鲁大流行前采集的335份健康成年献血者样本。
主要发现
针对三聚体刺突蛋白的IgG抗体识别既往感染的敏感性为91.6%,特异性为99.1%。使用针对多种抗原的IgG和IgM多重血清学特征,敏感性达到98.8%,特异性为99.3%。模型估计显示,感染后一年,四抗原多重检测可保持96.4%的敏感性,而单一检测为88.7%;多重统计分析可在低传播环境中估计低于2%的血清阳性率。
公共卫生意义
多重血清学方法为识别感染六个月以上的个体以及在极低传播环境中测量血清阳性率提供了潜在解决方案,应对了SARS-CoV-2血清学监测中的关键挑战。
重要局限
本摘要仅基于所提供的单篇文献摘要和元数据,对方法、验证队列、普适性及实施考量的决策级解读需参阅原文。
GIDS 解读
该文献被归类于COVID-19和SARS疾病,主题关联包括诊断、监测和传播动力学,反映其聚焦于跨多国的血清学感染检测工具和人群监测。
相关 GIDS 监测
文献背景不会验证、解释或改变监测信号；精确关系与背景关系会分开展示。
证据关系
本文与疾病、地区、主题及研究设计之间有 10 条可审计分类关系。