Risk of Ruling out Severe Acute Respiratory Syndrome by Ruling in another Diagnosis: Variable Incidence of Atypical Bacteria Coinfection Based on Diagnostic Assays
Notice bibliographique
Résumé
BACKGROUND: Severe acute respiratory syndrome (SARS) caused the first epidemic of the 21st century and continues to threaten the global community. OBJECTIVE: To assess the incidence of coinfection in patients confirmed to have SARS-associated coronavirus (SARS-CoV) infection, and thus, to determine the risk of ruling out SARS by ruling in another diagnosis. METHODS: The present report is a retrospective study evaluating the incidence and impact of laboratory-confirmed SARS-CoV and other pulmonary pathogens in 117 patients. These patients were evaluated in a Toronto, Ontario, community hospital identified as the epicentre for the second SARS outbreak. RESULTS: Coinfection with other pulmonary pathogens occurred in patients with SARS. Seventy-three per cent of the patient population evaluated had laboratory-confirmed SARS-CoV infection. Serology showing acute or recent Chlamydophila pneumoniae or Mycoplasma pneumoniae infection revealed an incidence of 30% and 9%, respectively, in those with SARS. These rates are similar to previously published studies on coinfection in pneumonia. All nucleic acid diagnostic assays were negative for C pneumoniae and M pneumoniae in respiratory samples from patients with SARS having serological evidence for these atypical pathogens. CONCLUSIONS: Diagnostic assays for well-recognized pulmonary pathogens have limitations, and ruling out SARS-CoV by ruling in another pulmonary pathogen carries significant risk. Despite positive serology for atypical pathogens, in a setting where clinical suspicion for SARS is high, specific tests for SARS should be performed to confirm or exclude a diagnosis.
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 | 0,003 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».