Automated screening for tuberculosis by multiparametric analysis of data obtained during routine complete blood count
Notice bibliographique
Résumé
INTRODUCTION: The main goal of this study was to develop a multiparametric cell population data (CPD) model that combines information from several morphologic parameters generated by DxH800, in addition to the traditional parameters regularly reported in the CBC-diff, and to test the performance of this model in screening the general population for primary tuberculosis (TB). METHODS: A total of 3741 study cases were divided into two groups, test and validation set at cut-off value of 6000 WBCs/μL. We developed multiparametric model for primary TB screening (TB hemeprint), selected CPD, and calculated parameters which could discriminate primary TB from other non-TB diseases and normal control in test set. We applied it to the validation set, which was a set of completely different samples, to test its reproducibility if applied to a routine laboratory test. RESULTS: After screening primary TB using TB hemeprint, sensitivity, specificity, PPV, and NPV were 85.4%, 89.6%, 31.1%, and 99.1%, respectively, in primary TB with lower than 6000 WBCs/μL of test set (test set-L). In primary TB with higher than 6000 WBCs/μL of test set (test set-H), those values were 83.1%, 85.6%, 29.7%, and 98.6%, respectively. There were only 0.4% (2/461) and 0.6% (2/326) of normal control samples included in test set-L and -H, respectively. Diagnostic efficiencies except sensitivity in each validation set were very comparable with those in each test set. CONCLUSION: Tuberculosis hemeprint may allow us to screen primary TB with acceptable sensitivity and specificity using combination of TB-specific CPD and calculated parameters.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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 ».