Screening strategies for neonatal hearing loss: which test is best?
Notice bibliographique
Résumé
OBJECTIVE: The objective of this study was to evaluate the accuracy and cost effectiveness of three different methods of hearing screening in newborns. DESIGN: A prospective, randomized cohort design was used. One hundred and five newborns were tested in this preliminary study. SETTING: The study was conducted in a tertiary care hospital setting in both the well baby and special care nurseries. METHODS: Consenting subjects had their hearing tested using automated auditory brainstem response (AABR), distortion-product otoacoustic emissions, and click-evoked otoacoustic emissions. The time to perform the tests was recorded and the cost of each test was calculated. MAIN OUTCOME MEASURES: The main outcomes measured were the time taken to perform each test, the pass/fail rate for each test, and the estimated cost of the tests. RESULTS: In this small cohort of patients, we found that AABR was the most accurate test, but it took longer to perform and was more expensive than either of the otoacoustic emission tests. However, the sensitivity and specificity of otoacoustic emissions were less than that of AABR. Test time decreased as the examiner gained experience, and we anticipate that experience will also result in better accuracy for the otoacoustic emission tests. CONCLUSIONS: Hearing screening in a hospital-based newborn population is both feasible and cost effective. Although AABR was more expensive, its better accuracy must be considered. As technology improves, the cost of all three tests will diminish. More robust conclusions cannot be made based on this small patient population.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,048 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».