LA SENSIBILIDAD DE UNA PRUEBA ES SECUNDARIA A
LA FRECUENCIA DE ANÁLISIS Y EL TIEMPO DE RETORNO
DE RESULTADOS PARA LA VIGILANCIA DE LA COVID-19
Daniel B. Larremorey, Bryan Wilder, Evan Lester, Soraya Shehata,James M. Burke, James A. Hay, Milind Tambe, Michael J. Minaz, y Roy Parkerx
doi.org/10.1101/2020.06.22.20136309 – 27 de junio de 2020.
La pandemia de COVID-19 ha generado una crisis de salud pública. El SARS-CoV-2 puede propagarse a partir de individuos con infecciones pre-sintomáticas, sintomáticas y asintomáticas [1, 2, 3], por lo tanto, la reapertura de las sociedades y el control de la propagación del virus, se verán facilitados por una vigilancia eficiente, para lo cual serán centrales las pruebas para detectar el virus. Después de la infección, los individuos atraviesan a un período de incubación durante el cual las cargas virales son generalmente demasiado bajas para detectarlas, luego es seguido de un crecimiento exponencial del virus, lo que lleva a un pico de la carga viral y la infecciosidad, para terminar con una disminución de los niveles virales y el aclaramiento final [4]. Dado el patrón de la cinética de la carga viral, modelamos la efectividad de la vigilancia considerando la sensibilidad de la prueba, la frecuencia de análisis y el tiempo de retorno de resultados. Este análisis demuestra que la vigilancia efectiva, incluido el tiempo hasta la primera detección y el control de brotes, depende en gran medida en la frecuencia con que se realizan las pruebas y la velocidad con que se emiten de los informes, y solo se mejora marginalmente por la alta sensibilidad de la prueba. Por lo tanto, concluimos que la vigilancia debe priorizar la accesibilidad, la frecuencia y el tiempo de retornos de resultados; los límites analíticos de detección son secundarios.La dependencia de las pruebas como un medio para reabrir las sociedades de manera segura, han colocado balo la lupa la sensibilidad analítica de los análisis del virus, con un estándar de oro que es RT-qPCR. Estos ensayos tienen límites analíticos de detección que generalmente están en el orden de 103 copias de ARN viral por ml (cp / ml) [5]. Sin embargo, la RT-qPCR sigue siendo costosa
y tiene tiempo de retorno de resultados de entre 24 a 48 horas. Nuevos desarrollos en los diagnósticos de SARS-CoV-2 tienen el potencial de reducir los costos de manera significativa, permitiendo una expansión de las pruebas con una mayor frecuencia de análisis y puede reducir el tiempo de respuesta a minutos. Sin embargo, estos ensayos en gran medida no cumplen con el estándar de oro para la sensibilidad analítica y este punto, ha obstaculizado la utilidad de estas pruebas para uso a gran escala [6].Tres características como son el aumento de la carga viral de SARS-CoV-2, la infectividad y luego el descenso de la carga viral, nos han llevado a suponer que podrían existir diferencias mínimas en la vigilancia efectiva de la enfermedad, mediante la detección viral con pruebas de diferentes sensibilidades, como RT-qPCR con un límite de detección (LOD) a 103 cp / ml [5] en comparación con
ensayos a menudo más baratos o más rápidos con límites de detección más altos (alrededor de 105 cp
/ ml) tales como LAMP de ácido nucleico en el punto de atención y pruebas rápidas de antígeno (Figura 1A). Primero, desde que se informó que las muestras recogidas de pacientes que muestran menos de 106
cp/
ml de ARN N o E, contienen un mínimo o ningún virus infeccioso medible [7, 8, 9], cualquierclase de prueba debe detectar individuos que están infecciosos en ese momento. La ausencia de partículas infecciosas a concentraciones de ARN viral < 106 cp / ml probablemente se deba a (i) el
hecho de que los ARN N y E también están presentes en abundantes ARNm subgenómicos, que lleva a una sobreestimación del número de genomas virales reales de entre 100-1000X [10], (ii) artefactos
de la técnica de RT-qPCR a valores de Ct > 35 debido a una plantilla limitada [11, 12] y (iii) la producción de partículas virales no infecciosas como se ve comúnmente con una variedad de virus con ARN [13]. Segundo, durante el crecimiento exponencial del virus, la diferencia de tiempo entre 103 y 105 cp / ml
es corta, permite un período de ventana limitado, en la que solo la prueba más sensible podría diagnosticar a las personas. Para la RT-qPCR, esto corresponde al tiempo requerido durante el crecimiento viral para pasar de valores de Ct de 40 a 34. Si bien esta ventana de tiempo para SARS-CoV-2 aún no se define rigurosamente,está en el orden de un día [14, 15]. Finalmente, las pruebas de detección de alta sensibilidad, cuando se aplican durante la disminución viral que acompaña a la recuperación, es poco probable que afecte sustancialmente la transmisión porque tales individuos detectado tienen baja, o casi nula infecciosidad [10].Para examinar cómo las pruebas de vigilancia reducirían la infecciosidad promedio de los individuos, primero utilizamos un modelo que utiliza las cargas virales y las curvas de infecciosidad de 10,000 individuos simulados que predice las trayectorias virales de infecciones por SARS-CoV-2 en función de las características claves de latencia, crecimiento, pico y disminución identificados en la literatura (Figura 1A; ver Métodos).Contabilizando esta cinética viral dentro del huésped, calculamos qué porcentaje de su infecciosidad total sería eliminado por vigilancia y aislamiento (Figura 1B) con pruebas en LOD de 103 y 105, y en diferentes frecuencias. Aquí,
la infecciosidad se consideró proporcional al logaritmo de la carga viral en exceso al 106 cp / ml (con
supuestos alternativos abordados en materiales suplementarios), consistente con la observación de que los pacientes pre-sintomáticos, son más infecciosos justo antes del inicio de síntomas [4], y evidencia de que la eficiencia de la transmisión viral coincide con el pico de la carga viral, que también se identificó durante el brote de SARS de 2003 [16, 17]. Nosotros consideramos que el 20% de los pacientes se someterían a un aislamiento sintomático cerca de su carga viral máxima, si no lo hubieran hecho antes por un análisis, y el 80% tendría síntomas lo suficientemente leves o nulos como para que no se aislara, a menos que fueran detectados por pruebas de vigilancia. Este análisis demostró que había poca diferencia en evitar la infecciosidad entre las dos clases de prueba. Se observaron reducciones significativas en la infecciosidad total de los individuos, mediante pruebas diarias o cada tres días, reducción del 60% cuando se realiza una prueba semanal, y una reducción de un 40% menos bajo una prueba quincenal (Figura 1C). Debido a que las cargas virales y la infecciosidad varían de un individuo a otro, también analizamos el impacto de diferentes regímenes de vigilancia sobre la distribución de la infecciosidad de los individuos (Figura 1D). Supusimos que cada infección era independiente. Para investigar los efectos de la vigilancia probando estrategias a nivel poblacional, utilizamos simulaciones para monitorear si la epidemia era contenida o se descontrolaba, al tiempo que varían las frecuencias a las que se hacían las pruebas, que van desde pruebas diarias hasta pruebas cada 14 días, y considerando pruebas con LOD de 103 y 105, análogos a RT-qPCR y RT-LAMP /
pruebas rápidas de antígeno, respectivamente. Utilizamos dos diferentes modelos epidemiológicos para asegurar que las observaciones importantes fueran independientes del enfoque de modelado específico. El primer modelo, es un modelo basado en la estructura de contacto dentro del hogar y estratificada por edad basada en microdatos censales en una ciudad representativa de la ciudad de Nueva York [18], e inicializado con 100 casos sin infecciones externas adicionales El segundo modelo, es un modelo simple completamente mixto que representa una población de 20,000 individuos, similar a un entorno universitario grande, con una tasa constante de infección externa aproximadamente igual a una nueva importación por día. Se simularon cargas virales individuales para cada infección, y los individuos quienes recibieron un resultado positivo de la prueba fueron aislados, pero el seguimiento y monitoreo de contactos no fue incluido para estimar de manera más conservadora los impactos de la vigilancia solamente [19, 20]. Observamos que un programa de vigilancia que administra cualquiera de las pruebas con alta frecuencia, limita la diseminación viral, medida tanto por una reducción en el número reproductivo R (Figuras 2A y B; ver Métodos para el procedimiento de cálculo) y por las infecciones totales que persistieron a pesar de diferentes programas de vigilancia, expresados en relación con la no vigilancia (Figuras 2C y D). La frecuencia de prueba se descubrió que era el principal impulsor del control de la epidemia a nivel de población, con solo un pequeño margen de mejora proporcionada mediante el uso de una prueba más sensible. El examen directo de simulaciones mostró, que sin vigilancia o pruebas quincenales, las infecciones estaban descontroladas, mientras que la vigilancia con pruebas semanales con LOD = 103 o 105 efectivamente atenuaban las infecciones
(ejemplos mostrado en la Figura S1).La relación entre la sensibilidad de la prueba y la frecuencia de con que se realizan las pruebas requeridas para controlar los brotes, tanto en el modelo totalmente mixto como en el modelo basado en agentes efectores, se generalizan más allá de los ejemplos
mostrados en la Figura 2 y también se ven en otras frecuencias de prueba y sensibilidades. Simulamos ambos modelos en LOD de 103, 105 y 106, para pruebas que van desde realizadas diariamente hasta
cada 14 días. Para esos, medimos el impacto de cada política de vigilancia en las infecciones totales (Figura S2A y B) y en R (Figura S2C y D). En la Figura 2, modelamos la infecciosidad como proporcional al log10 de la carga viral. Para abordar si estos hallazgos son sensibles a esta relación modelada,
realizamos un proceso similar de simulaciones con infecciosidad proporcional a la carga viral (Figura S3), o uniforme por encima de 106 cp/ ml (Figura S4). Descubrimos que los resultados eran robustos a
estas grandes variaciones en la relación modelada entre infecciosidad y carga viral. Una variable importante en las pruebas de vigilancia es el tiempo que transcurre entre la recolección de muestras para una prueba y el informe de un diagnóstico. Para examinar cómo el tiempo para informar el análisis al afectado, se volvió a analizar tanto la reducción de la infecciosidad de los individuos como el simulacro epidemiológico de formulaciones, comparando los resultados de informes instantáneos (que reflejan un ensayo deslocalizado en el punto de atención), un retraso de un día y un retraso de dos días (Figura 3A y B). Los retrasos en la presentación de informes disminuyeron drásticamente la reducción de la infecciosidad en individuos como se ve por la infecciosidad total eliminada (Figura 3C), la distribución de la infecciosidad en los individuos (Figura 3D), o la dinámica de la epidemiología con modelos (Figura 4). Este resultado fue robusto a la relación modelada entre infecciosidad y carga viral en ambos modelos de simulación y para diversas sensibilidades y frecuencias de prueba (Figura S5). Estos resultados destacan que los retrasos en la presentación de informes conducen a un control dramáticamente menos efectivo de la propagación viral y enfatizan que el tiempo corto de retorno de resultados es crítico en cualquier prueba de vigilancia. Estos resultados también refuerzan los beneficios relativamente menores de los límites mejorados de detección. Las comunidades varían en su dinámica de transmisión, debido a la diferencia en las tasas de infecciones importadas y en el número reproductivo básico R0, los cuales influirán en la frecuencia y sensibilidad con el que deben
realizarse las pruebas de vigilancia. Realizamos dos análisis para ilustrar este punto. Primero, variamos la tasa de infección externa en nuestro modelo totalmente mixto y confirmamos que cuando la tasa externa de infección es mayor, se requiere una vigilancia más frecuente para prevenir brotes (Figura S6A). Segundo, variamos el número reproductivo R0 entre individuos infectados en ambos modelos, y
confirmaron que a mayor R0, también se requiere vigilancia más frecuente (Figura S6B y C). Esto puede
ser relevante para instituciones como campus universitarios o bases militares en las que es probable que el aula de clases o la vida en las habitaciones aumenten las tasas de contacto. Por lo tanto, lo específico para una vigilancia exitosa dependerá de la prevalencia actual de la infección comunitaria y de la velocidad de transmisión.
Nuestros resultados nos llevan a concluir que las pruebas de vigilancia de individuos asintomáticos pueden usarse para limitar la propagación del SARS-CoV-2. Sin embargo, nuestros hallazgos están sujetos a una serie de limitaciones. Primero, la sensibilidad de una prueba puede depender de factores más allá del LOD, incluida la variación del fabricante y del muestreo clínico inadecuado [21], aunque este último puede ser mejorado por diferentes enfoques para la recolección de muestras, como las pruebas basadas en saliva [22]. Segundo, nuestro modelo asumió que no hay individuos que rechacen la prueba. Tanto los problemas de sensibilidad como los de rechazo de muestreo, pueden contabilizarse en estimaciones utilizando una fórmula simple (ver Texto suplementario), pero una comprensión más sofisticada de la relación entre los problemas de sensibilidad impulsados por el muestreo y la carga viral, por ejemplo, abordaría con mayor precisión esta limitación. Finalmente, las diferencias de rendimiento entre los esquemas de prueba dependerán de si nuestro modelo realmente captura la cinética viral y la los perfiles de infecciosidad [4], particularmente durante la fase de aceleración entre la exposición y la carga viral máxima. Continuado la aclaración de estas dinámicas dentro del hospedador, aumentaría el impacto y el valor de éste, y otros [19, 20] estudios de modelado.
Un punto crítico a tener en cuenta, es que los requisitos para las pruebas de vigilancia son distintos de las pruebas clínicas. Los diagnósticos clínicos se dirigen a individuos sintomáticos, necesitan alta precisión y sensibilidad, y no están limitados por el costo. Debido a que se enfocan en individuos sintomáticos, esos individuos como ya están aislados, un retraso en el diagnóstico no conduce a infecciones adicionales. En contraste a esto, los resultados de la vigilancia de individuos asintomáticos, deben devolverse rápidamente, ya que incluso un solo día el retraso en el diagnóstico compromete la efectividad del programa de vigilancia. De hecho, al menos para los virus con una cinética de infección similar a la del SARS-CoV-2, encontramos que la velocidad de notificación es mucho más importante que la sensibilidad, aunque las pruebas más sensibles son, sin embargo, algo más efectivas. La
diferencia entre las pruebas clínicas y de vigilancia, requieren de la necesidad de pruebas adicionales para ser aprobadas y ser utilizadas para vigilancia. Dichas pruebas no deben realizarse en el mismo grado de sensibilidad que las pruebas clínicas, en particular si hacerlo dificulta el despliegue rápido de ensayos para detectar SARS-CoV-2. Sugerimos que la FDA, otras agencias o gobiernos estatales fomenten el desarrollo y uso de pruebas alternativas más rápidas y de menor costo para fines de vigilancia, incluso si tienen límites de detección más pobres. Si la disponibilidad de pruebas en el punto de atención o autoadministrado Las pruebas de vigilancia conducen a un tiempo de respuesta más corto o pruebas más frecuentes, nuestros resultados sugieren que tendrían un alto valor epidemiológico.Nuestro modelo sugiere que algunos tipos de vigilancia someterán a algunos individuos a innecesarios días de cuarentena. Por ejemplo, el uso frecuente de una prueba poco sensible no solo identificará a (i) aquellos individuos con una baja carga viral al comienzo de la infección, que deben aislarse para limitar la propagación del virus, sino también a (ii) aquellos en el período de recuperación, que todavía tienen virus o ARN detectables, pero están por debajo el umbral infeccioso [9, 10]. Aislar a este segundo grupo de pacientes no tendrá impacto en la propagación viral, pero incurrirá en costos de aislamiento. El uso de pruebas serológicas, repetir las pruebas con 24 a 48 horas de diferencia, o la utilización de alguna otra prueba para distinguir a los pacientes con baja carga viral en la pendiente ascendente de la infección de aquellos en la fase de recuperación, podría permitir tomar decisiones de cuarentena más efectivas.
FIGURA 1- EFECTIVIDAD DE LAS PRUEBAS DE VIGILANCIA DEPENDE DE LA FRECUENCIA DE ANÁLISIS
(A) Un ejemplo de trayectoria de carga viral se muestra con umbrales LOD de dos pruebas y una prueba hipotética positiva el día 6, dos días después del pico de la carga viral. Se muestra que otras 20 cargas virales generadas estocásticamente resaltan la diversidad de trayectoria (gris claro). (B) Infecciosidad relativa para la carga viral que se muestra en la prueba previa del panel A, totalizando 31% (azul) y post-aislamiento, totalizando 69% (negro). (C) Programas de vigilancia que utilizan pruebas en LOD de 103 y 105 en las frecuencias indicadas se aplicaron a 10.000 trayectorias de individuos de los cuales el 20% sufrirían síntomas
aislamiento cerca de su carga viral máxima si no se hubieran probado y aislado primero. Infecciosidad total quitado durante la vigilancia (colores) y el autoaislamiento (escotilla) se muestran para la vigilancia como se indica, relativo a infecciosidad total sin vigilancia o autoaislamiento. (D) El impacto de la vigilancia en el que se muestra infecciosidad de 100 individuos para cada programa de vigilancia y no se realizan pruebas, como se indica, con cada individuo coloreado por prueba si su infección se detectó durante la infecciosidad (medianas, líneas negras) o de color azul si la vigilancia no detectó su infección o si se detectó positivo después de su período infeccioso (medianas, líneas azules). Las unidades son arbitrarias y escaladas a la máxima infecciosidad de los individuos muestreados.
FIGURA 2-LAS PRUEBAS DE VIGILANCIA AFECTAN LA DINÁMICA DE LA ENFERMEDAD
Tanto el modelo compartimental completamente mezclado (fila de arriba) y el modelo basado en el agente (fila inferior) se ven afectados por los programas de vigilancia. (A, B) Más frecuencia de las pruebas reducen el número reproductivo efectivo R, que se muestra como el porcentaje por el cual se reduce R0, 100.(R0/ R) = R0. Los valores de R se estimaron a partir de 50
simulaciones independientes de dinámica. (C, D) Relativo a la ausencia de pruebas (barras grises), la vigilancia suprime el número total de infecciones en ambos modelos cuando se prueban todos los días o cada tres días, pero solo mitigan parcialmente los casos totales por semana o pruebas quincenales. Las barras de error indican cuantiles internos del 95% de 50 simulaciones independientes cada una.
FIGURA 3: LA EFECTIVIDAD DE LAS PRUEBAS DE VIGILANCIA SE VE COMPROMETIDA POR DEMORAS EN LA PRESENTACIÓN DE LOS INFORMES.
A) Un ejemplo de la trayectoria de la carga viral se muestra con umbrales LOD de dos pruebas y una prueba hipotética positiva en el día 6, pero con resultados reportados en el día 8. Se muestra que otras 20 cargas virales generadas estocásticamente resaltan la diversa trayectoria (gris claro; ver Métodos). (B) Infecciosidad relativa para la carga viral que se muestra en la prueba previa del panel A (totalizando 31%; azul) y posterior a la prueba pero pre-diagnóstico (totalizando 32%; verde) y posterior al aislamiento (totalizando 37%; negro). (C) Programas de vigilancia que utilizan pruebas en LOD de 103 y 105 a las frecuencias indicadas, y con resultados devueltos después de 0, 1 o 2 días (indicado por un pequeño texto debajo de las barras) se aplicaron a 10.000 Individuos trayectorias de los cuales el 20% eran sintomáticos y auto aislados después de la carga viral máxima si tenían no ha sido probado y aislado primero. Total de infecciosidad eliminada durante la vigilancia (colores) y el autoaislamiento (eclosión) se muestran, en relación con la infecciosidad total sin vigilancia o autoaislamiento. Retrasa sustancialmente impactar la fracción de infecciosidad eliminada. (D) El impacto de la vigilancia con demoras en el regreso El diagnóstico de 0, 1 o 2 días (texto pequeño debajo del eje) sobre la infecciosidad de 100 individuos se muestra para cada programa de vigilancia y ninguna prueba, como se indica, con cada individuo coloreado por prueba si su infección se detectó durante la infecciosidad (medianas, líneas negras) o de color azul si su infección fue omitida por vigilancia o diagnóstico positivo después de su período infeccioso (medianas, líneas azules). Las unidades son arbitrarias y escalado a la máxima infecciosidad de los individuos muestreados.
FIGURA 4- LOS RETRASOS EN LA NOTIFICACIÓN DE LOS RESULTADOS DISMINUYEN EL IMPACTO EPIDEMIOLÓGICO DEL AISLAMIENTO BASADO EN LA VIGILANCIA.
La efectividad de los programas de vigilancia disminuye drásticamente por los retrasos en la presentación de informes tanto en modelo compartimental completamente mezclado (fila superior) y modelo basado en agente (fila inferior). (A, B) El impacto de vigilancia todos los días, 3 días, semanalmente o quincenalmente, en el número reproductivo R, calculado como 100(R0/ R) = R0,
se muestra para LOD 103 y 105 y demoras de 0, 1 o 2 días (texto pequeño debajo del eje). Valores de R se estimaron a partir de
50 simulaciones independientes de dinámica (ver Métodos). (C, D) Relativo a no probar (barras grises), la vigilancia suprime el número total de infecciones en ambos modelos al probar cada día o cada tres días, pero los resultados retrasados conducen a una mitigación parcial de los casos totales, incluso para las pruebas. Todos los días o cada 3 días. Las barras de error indican cuartiles internos del 95% de 50 simulaciones independientes cada una.
Bibliografía
[1] Melissa M Arons, Kelly M Hatfield, Sujan C Reddy, Anne Kimball, Allison James, Jesica R Jacobs, Joanne Taylor, Kevin Spicer, Ana C Bardossy, Lisa P Oakley, et al. Presymptomatic SARS-CoV-2 infections and transmission in a skilled nursing facility. New England Journal of Medicine, 2020.
[2] Desmond Sutton, Karin Fuchs, Mary D’alton, and Dena Goffman. Universal screening for SARS-CoV-2 in women admitted for delivery. New England Journal of Medicine, 2020.
[3] Daniel P Oran and Eric J Topol. Prevalence of asymptomatic SARS-CoV-2 infection: A narrative review. Annals of Internal Medicine, 2020.
[4] Xi He, Eric HY Lau, Peng Wu, Xilong Deng, Jian Wang, Xinxin Hao, Yiu Chung Lau, Jessica Y Wong, Yujuan Guan, Xinghua Tan, et al. Temporal dynamics in viral shedding and transmissibility of COVID-19. Nature Medicine, 26(5):672–675, 2020. [5] Chantal BF Vogels, Anderson F Brito, Anne Louise Wyllie, Joseph R Fauver, Isabel M Ott, Chaney C Kalinich, Mary E Petrone, Marie-Louise Landry, Ellen F Foxman, and Nathan D Grubaugh. Analytical sensitivity and efficiency comparisons of SARS-CoV-2 qRT-PCR assays. medRxiv, SARS-CoV-20SARS-CoV-20.
[6] Coronavirus (COVID-19) update: FDA informs public about possible accuracy concerns with Abbott ID NOW Point-of-Care Test. https://www.fda.gov/news-events/pressannouncements/coronavirus-covid-19-update-fda-informs-public-about-possible-accuracyconcerns-abbott-id-now-point, May 14, 2020.
[7] Kendra Quicke, Emily Gallichote, Nicole Sexton, Michael Young, Ashley Janich, Gregory Gahm, Elizabeth J Carlton, Nicole Ehrhart, and Gregory D Ebel. Longitudinal surveillance for SARS-CoV-2 RNA among asymptomatic staff in five colorado skilled nursing facilities: Epidemiologic, virologic and sequence analysis. medRxiv, 2020.
[8] Roman W¨olfel, Victor M Corman, Wolfgang Guggemos, Michael Seilmaier, Sabine Zange, Marcel A M¨uller, Daniela Niemeyer, Terry C Jones, Patrick Vollmar, Camilla Rothe, et al. Virological assessment of hospitalized patients with COVID-2019. Nature, 581(7809):465–469, 2020.
[9] Bernard La Scola, Marion Le Bideau, Julien Andreani, Van Thuan Hoang, Clio Grimaldier, Philippe Colson, Philippe Gautret, and Didier Raoult. Viral RNA load as determined by cellculture as a management tool for discharge of SARS-CoV-2 patients from infectious disease wards. European Journal of Clinical Microbiology & Infectious Diseases, 39(6):1059, 2020.
[10] Soren Alexandersen, Anthony Chamings, and Tarka Raj Bhatta. SARS-CoV-2 genomic and subgenomic RNAs in diagnostic samples are not an indicator of active replication. medRxiv, 2020.
[11] Charles GB Caraguel, Henrik Stryhn, Nellie Gagn´e, Ian R Dohoo, and K Larry Hammell. Selection of a cutoff value for real-time polymerase chain reaction results to fit a diagnostic purpose: analytical and epidemiologic approaches. Journal of Veterinary Diagnostic Investigation, 23(1):2–15, 2011.
[12] Adri´an Ruiz-Villalba, Elizabeth van Pelt-Verkuil, Quinn D Gunst, Jan M Ruijter, and Maurice JB van den Hoff. Amplification of nonspecific products in quantitative polymerase chain reactions (qPCR). Biomolecular detection and quantification, 14:7–18, 2017.
[13] PJ Klasse. Molecular determinants of the ratio of inert to infectious virus particles. In Progress in molecular biology and translational science, volume 129, pages 285–326. Elsevier, 2015.
[14] Amber M Smith and Alan S Perelson. Influenza A virus infection kinetics: quantitative data and models. Wiley Interdisciplinary Reviews: Systems Biology and Medicine, 3(4):429–445, 2011.
[15] Mathilde Richard, Adinda Kok, Dennis de Meulder, Theo M Bestebroer, Mart M Lamers, Nisreen MA Okba, Martje Fentener van Vlissingen, Barry Rockx, Bart L Haagmans, Marion PG Koopmans, et al. SARS-CoV-2 is transmitted via contact and via the air between ferrets. bioRxiv, 2020.
[16] Zhuang Shen, Fang Ning,Weigong Zhou, Xiong He, Changying Lin, Daniel P Chin, Zonghan Zhu, and Anne Schuchat. Superspreading sars events, beijing, 2003. Emerging Infectious Diseases, 10(2):256, 2004.
[17] Joseph Sriyal Malik Peiris, Chung-Ming Chu, Vincent Chi-Chung Cheng, KS Chan, IFN Hung, Leo LM Poon, Kin-Ip Law, BSF Tang, TYW Hon, CS Chan, et al. Clinical progression and viral load in a community outbreak of coronavirus-associated sars pneumonia: a prospective study. The Lancet, 361(9371):1767–1772, 2003.
[18] Bryan Wilder, Marie Charpignon, Jackson A Killian, Han-Ching Ou, Aditya Mate, Shahin Jabbari, Andrew Perrault, Angel Desai, Milind Tambe, and Maimuna S Majumder. Modeling between-population variation in COVID-19 dynamics in hubei, lombardy, and new york city. Available at SSRN 3564800, 2020.
[19] CoreyMPeak, Rebecca Kahn, Yonatan H Grad, LaurenMChilds, Ruoran Li, Marc Lipsitch, and Caroline O Buckee. Individual quarantine versus active monitoring of contacts for the mitigation of COVID-19: a modelling study. The Lancet Infectious Diseases, 2020.
[20] Adam J Kucharski, Petra Klepac, Andrew Conlan, Stephen M Kissler, Maria Tang, Hannah Fry, Julia Gog, John Edmunds, CMMID COVID-19 Working Group, et al. Effectiveness of isolation, testing, contact tracing and physical distancing on reducing transmission of SARSCoV- 2 in different settings. medRxiv, 2020.
[21] Yicheng Fang, Huangqi Zhang, Jicheng Xie, Minjie Lin, Lingjun Ying, Peipei Pang, and Wenbin Ji. Sensitivity of chest ct for COVID-19: comparison to RT-PCR. Radiology, page 200432, 2020.
[22] Anne Louise Wyllie, John Fournier, Arnau Casanovas-Massana, Melissa Campbell, Maria Tokuyama, Pavithra Vijayakumar, Bertie Geng,MCatherine Muenker, Adam J Moore, Chantal BF Vogels, et al. Saliva is more sensitive for SARS-CoV-2 detection in COVID-19 patients than nasopharyngeal swabs. Medrxiv, 2020.
[23] Stephen A Lauer, Kyra H Grantz, Qifang Bi, Forrest K Jones, Qulu Zheng, Hannah R Meredith, Andrew S Azman, Nicholas G Reich, and Justin Lessler. The incubation period of coronavirus disease 2019 (COVID-19) from publicly reported confirmed cases: estimation and application. Annals of internal medicine, 172(9):577–582, 2020.
[24] Abishek Chandrashekar, Jinyan Liu, Amanda J Martinot, Katherine McMahan, Noe B Mercado, Lauren Peter, Lisa H Tostanoski, Jingyou Yu, Zoltan Maliga, Michael Nekorchuk, et al. SARS-CoV-2 infection protects against rechallenge in rhesus macaques. Science, 2020.
[25] Jingyou Yu, Lisa H Tostanoski, Lauren Peter, Noe B Mercado, Katherine McMahan, Shant H Mahrokhian, Joseph P Nkolola, Jinyan Liu, Zhenfeng Li, Abishek Chandrashekar, et al. Dna vaccine protection against SARS-CoV-2 in rhesus macaques. Science, 2020.
[26] Benny Borremans, Amandine Gamble, KC Prager, Sarah K Helman, Abby M McClain, Caitlin Cox, Van Savage, and James O Lloyd-Smith. Quantifying antibody kinetics and RNA shedding during early-phase SARS-CoV-2 infection. medRxiv, 2020. [27] Jeroen J.A. van Kampen, David A.M.C. van de Vijver, Pieter L.A. Fraaij, Bart L. Haagmans, Mart M. Lamers, Nisreen Okba, Johannes P.C. van den Akker, Henrik Endeman, Diederik A.M.P.J. Gommers, Jan J. Cornelissen, Rogier A.S. Hoek, Menno M. van der Eerden, Dennis A. Hesselink, Herold J. Metselaar, Annelies Verbon, Jurriaan E.M. de Steenwinkel,
Georgina I. Aron, Eric C.M. van Gorp, Sander van Boheemen, Jolanda C. Voermans, Charles A.B. Boucher, Richard Molenkamp, Marion P.G. Koopmans, Corine Geurtsvankessel, and Annemiek A. van der Eijk. Shedding of infectious virus in hospitalized patients with coronavirus disease-2019 (covid-19): duration and key determinants. medRxiv, 2020.
[28] Hitoshi Kawasuji, Yusuke Takegoshi, Makito Kaneda, Akitoshi Ueno, Yuki Miyajima, Koyomi Kawago, Yasutaka Fukui, Yoshihiko Yoshida, Miyuki Kimura, Hiroshi Yamada, et al. Viral load dynamics in transmissible symptomatic patients with COVID-19. medRxiv, 2020.
[29] Kelvin Kai-Wang To, Owen Tak-Yin Tsang,Wai-Shing Leung, Anthony Raymond Tam, Tak- Chiu Wu, David Christopher Lung, Cyril Chik-Yan Yip, Jian-Piao Cai, Jacky Man-Chun Chan, Thomas Shiu-Hong Chik, et al. Temporal profiles of viral load in posterior oropharyngeal saliva samples and serum antibody responses during infection by SARS-CoV-2: an observational cohort study. The Lancet Infectious Diseases, 2020.
[30] Jin Yong Kim, Jae-Hoon Ko, Yeonjae Kim, Yae-Jean Kim, Jeong-Min Kim, Yoon-Seok Chung, Heui Man Kim, Myung-Guk Han, So Yeon Kim, and Bum Sik Chin. Viral load kinetics of SARS-CoV-2 infection in first two patients in korea. Journal of Korean medical science, 35(7), 2019.
[31] Ai Tang Xiao, Yi Xin Tong, and Sheng Zhang. Profile of RT-PCR for SARS-CoV-2: a preliminary study from 56 COVID-19 patients. Clinical Infectious Diseases, 2020.
[32] Yang Liu, Li-Meng Yan, LagenWan, Tian-Xin Xiang, Aiping Le, Jia-Ming Liu, Malik Peiris, Leo LM Poon, and Wei Zhang. Viral dynamics in mild and severe cases of COVID-19. The Lancet Infectious Diseases, 2020.
[33] Minnesota Population Center. Integrated public use microdata series, international: Version 7.2 [dataset], 2019. https://doi.org/10.18128/D020.V7.2.
[34] Yang Liu, Rosalind Eggo, and Adam Kucharski. Secondary attack rate and superspreading events for SARS-CoV-2. The Lancet, 2020.
[35] Kiesha Prem, Alex Cook, and Mark Jit. Projecting social contact matrices in 152 countries using contact surveys and demographic data. PLoS Computational Biology, 13(9):e1005697,
