Método nuevo de pruebas de COVID-19 en muestras combinadas podría ser altamente efectivo para controlar la pandemia de SARS-CoV-2
Por el equipo editorial de HospiMedica en español Actualizado el 28 Feb 2021 |
Imagen: Pruebas de COVID-19 en un laboratorio del Instituto Broad de MIT y Harvard (Fotografía cortesía de Facultad de Salud Pública Harvard T.H. Chan)
Un método nuevo para realizar pruebas de COVID-19 en muestras combinadas puede ser una herramienta muy eficaz para frenar la pandemia del SARS-CoV-2, incluso si las infecciones están generalizadas en una comunidad.
Se podrían implementar esquemas simples de análisis en muestras mezcladas con cambios mínimos en las infraestructuras de prueba actuales en los laboratorios clínicos y de salud pública, según investigadores de la Facultad de Salud Pública Harvard T.H. Chan (Boston, MA, EE. UU.) y el Instituto Broad de MIT y Harvard (Cambridge, MA, EE. UU.).
Al identificar a las personas infectadas para que puedan ser tratadas o aisladas, la prueba del SARS-CoV-2 es una herramienta poderosa para frenar la pandemia de COVID-19 y reabrir escuelas y negocios de manera segura. Pero las pruebas limitadas y, a veces, costosas durante toda la pandemia han obstaculizado el diagnóstico de las personas y han dificultado los esfuerzos de salud pública para reducir la propagación del virus. Las pruebas en muestras mezcladas, en las que se procesan varias muestras individuales a la vez, podrían ser una herramienta poderosa para aumentar la eficiencia de las pruebas. Si una prueba con muestras combinadas resulta negativa, todas las muestras de esa combinación se consideran negativas, lo que elimina la necesidad de realizar más pruebas. Si una muestra combinada es positiva, las muestras individuales dentro de ese grupo de prueba deben ser analizadas nuevamente por separado para identificar qué muestras específicas son positivas. Aunque se han implementado pruebas en muestras mezcladas durante la pandemia de COVID-19, su utilidad se reduce cuando el patógeno está muy extendido en una comunidad. En esas circunstancias, la mayoría de los resultados en las muestras mezcladas podrían ser positivas y requerir pruebas adicionales para identificar a los individuos positivos en cada grupo. Esta prueba de confirmación elimina cualquier eficiencia obtenida mediante las pruebas en muestras combinadas.
Para identificar formas de hacer que las pruebas combinadas sean más útiles durante los brotes generalizados, los investigadores desarrollaron un modelo de cómo las cantidades de ARN viral, que se utilizan para identificar la infección por SARS-CoV-2, varían entre las personas infectadas de la población durante un brote. Esto les dio a los investigadores una imagen muy detallada de cómo la sensibilidad de la prueba se ve afectada por el tamaño del grupo y la prevalencia del SARS-CoV-2. Luego usaron el modelo para identificar estrategias de análisis con muestras combinadas óptimas en diferentes escenarios. Con el modelo, los esfuerzos de prueba podrían adaptarse a los recursos disponibles en una comunidad para maximizar el número de infecciones identificadas utilizando la menor cantidad de pruebas posible. Incluso en laboratorios con importantes limitaciones de recursos, el equipo creó esquemas simples de pruebas con muestras mezcladas que podían identificar hasta 20 veces más personas infectadas por día, en comparación con las pruebas individuales.
“Nuestra investigación agrega otra herramienta a la caja de herramientas de pruebas y salud pública”, dijo Michael Mina, profesor asistente de epidemiología en la Facultad Chan de Harvard y miembro asociado del Broad. “Para las agencias de salud pública y los laboratorios clínicos que realizan pruebas con limitaciones de recursos, que para COVID-19 son casi todas las naciones, esta nueva investigación demuestra que podemos obtener mucho más poder de análisis para uso médico y de salud pública con los mismos, o incluso menos recursos, de los que se utilizan actualmente”.
Enlace relacionado:
Facultad de Salud Pública Harvard T.H. Chan
Instituto Broad de MIT y Harvard
Se podrían implementar esquemas simples de análisis en muestras mezcladas con cambios mínimos en las infraestructuras de prueba actuales en los laboratorios clínicos y de salud pública, según investigadores de la Facultad de Salud Pública Harvard T.H. Chan (Boston, MA, EE. UU.) y el Instituto Broad de MIT y Harvard (Cambridge, MA, EE. UU.).
Al identificar a las personas infectadas para que puedan ser tratadas o aisladas, la prueba del SARS-CoV-2 es una herramienta poderosa para frenar la pandemia de COVID-19 y reabrir escuelas y negocios de manera segura. Pero las pruebas limitadas y, a veces, costosas durante toda la pandemia han obstaculizado el diagnóstico de las personas y han dificultado los esfuerzos de salud pública para reducir la propagación del virus. Las pruebas en muestras mezcladas, en las que se procesan varias muestras individuales a la vez, podrían ser una herramienta poderosa para aumentar la eficiencia de las pruebas. Si una prueba con muestras combinadas resulta negativa, todas las muestras de esa combinación se consideran negativas, lo que elimina la necesidad de realizar más pruebas. Si una muestra combinada es positiva, las muestras individuales dentro de ese grupo de prueba deben ser analizadas nuevamente por separado para identificar qué muestras específicas son positivas. Aunque se han implementado pruebas en muestras mezcladas durante la pandemia de COVID-19, su utilidad se reduce cuando el patógeno está muy extendido en una comunidad. En esas circunstancias, la mayoría de los resultados en las muestras mezcladas podrían ser positivas y requerir pruebas adicionales para identificar a los individuos positivos en cada grupo. Esta prueba de confirmación elimina cualquier eficiencia obtenida mediante las pruebas en muestras combinadas.
Para identificar formas de hacer que las pruebas combinadas sean más útiles durante los brotes generalizados, los investigadores desarrollaron un modelo de cómo las cantidades de ARN viral, que se utilizan para identificar la infección por SARS-CoV-2, varían entre las personas infectadas de la población durante un brote. Esto les dio a los investigadores una imagen muy detallada de cómo la sensibilidad de la prueba se ve afectada por el tamaño del grupo y la prevalencia del SARS-CoV-2. Luego usaron el modelo para identificar estrategias de análisis con muestras combinadas óptimas en diferentes escenarios. Con el modelo, los esfuerzos de prueba podrían adaptarse a los recursos disponibles en una comunidad para maximizar el número de infecciones identificadas utilizando la menor cantidad de pruebas posible. Incluso en laboratorios con importantes limitaciones de recursos, el equipo creó esquemas simples de pruebas con muestras mezcladas que podían identificar hasta 20 veces más personas infectadas por día, en comparación con las pruebas individuales.
“Nuestra investigación agrega otra herramienta a la caja de herramientas de pruebas y salud pública”, dijo Michael Mina, profesor asistente de epidemiología en la Facultad Chan de Harvard y miembro asociado del Broad. “Para las agencias de salud pública y los laboratorios clínicos que realizan pruebas con limitaciones de recursos, que para COVID-19 son casi todas las naciones, esta nueva investigación demuestra que podemos obtener mucho más poder de análisis para uso médico y de salud pública con los mismos, o incluso menos recursos, de los que se utilizan actualmente”.
Enlace relacionado:
Facultad de Salud Pública Harvard T.H. Chan
Instituto Broad de MIT y Harvard
Últimas COVID-19 noticias
- Sistema de bajo costo detecta el virus SARS-CoV-2 en el aire del hospital mediante burbujas de alta tecnología
- China aprueba la primera vacuna inhalable contra la COVID-19 del mundo
- Vacuna en parche contra la COVID-19 combate variantes del SARS-CoV-2 mejor que las agujas
- Pruebas de viscosidad sanguínea predicen riesgo de muerte en pacientes hospitalizados con COVID-19
- ‘Computadora Covid’ usa IA para detectar COVID-19 en exámenes de TC de tórax
- Técnica de resonancia magnética muestra la causa de los síntomas de COVID prolongada
- TC del tórax de los pacientes con COVID-19 podrían ayudar a diferenciar entre las variantes del SARS-CoV-2
- Resonancia magnética especializada detecta anormalidades pulmonares en pacientes no hospitalizados con COVID prolongada
- Algoritmo de IA identifica a los pacientes hospitalizados con mayor riesgo de morir por COVID-19
- Estudio evalúa el impacto de la COVID-19 sobre la gammagrafía de ventilación/perfusión
- Sensor de sudor detecta biomarcadores claves que suministran una alarma precoz de la COVID-19 y la influenza
- Modelo de IA para seguimiento de COVID-19 predice mortalidad durante los primeros 30 días del ingreso
- ECG puede señalar pacientes hospitalizados con COVID-19 con riesgo más alto de muerte
- IA predice pronóstico de COVID a un nivel casi experto con base en tomografías computarizadas
- Examen de TC muestra evidencia de daño pulmonar persistente mucho tiempo después de neumonía por COVID-19
- Plataforma órgano-en-un-chip ayuda a diseñar estrategia para tratar complicaciones severas de la COVID-19