Risk Factors for Relapse of Human Brucellosis
Notice bibliographique
Résumé
<p><strong>BACKGROUND &amp; PROPOSE: </strong>Brucellosis is serious disease around the world, especially in underdeveloped countries. It’s clinical manifestations is extensive.<strong> </strong>Thus diagnosis and treatment of this infection have difficulties, in among them, relapse is a great problem. This study aimed to evaluate risk factors of relapse after treatment in patients.</p><p><strong>METHODS: </strong>It is a descriptive-analytic study from 1990 to 2014, in Ayatolla Rohani hospital in Babol, Iran. We studied 980 patients with brucellosis. The studied community included patients infected with brucellosis and the required information was gathered based on their hospital files. The base for recognizing Malta fever were clinical symptoms and Para-clinical sign congruent with infection like as, titer SAT&gt;1:320 and 2-ME&gt;1:160. Patients with relapse and patients without relapse were placed separately in two groups. The data were statistically compared with Spss 16, by Chi-square and Cox –regression tests.</p><p><strong>RESULTS: </strong>Based on this study, treatment regimen is a preventive factor (P=0.000). Moreover, Based on some statistical methods, regimens no. 3 and 4 were introduce preventive factors (P=0.001) and (P=0.004). It should also be noted that findings the same statistical model, factors like gender, age, residence, professional contacts, complications and delay in treatment were also analyzed but none of them are considered as preventive factors<strong>.</strong></p><p><strong>CONCLUSION: </strong>Since the main and exact reason for Malta fever’ relapse is not recognized yet, anticipation of relapse is beneficent for treatment of infection.</p>
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».