Miliary Tuberculosis Following Negative Latent Tuberculosis Infection Screening Prior to Tumor Necrosis Factor-α Antagonists: Implications for Management?
Notice bibliographique
Résumé
To the Editor: Tumor necrosis factor-α (TNF-α) antagonists are effective treatments for inflammatory disorders but are associated with an increased risk of infections including reactivation of latent tuberculosis infection (LTBI). We describe a patient who developed miliary TB as a complication of TNF-α antagonist therapy despite negative pretherapy screening for LTBI. A 42-year-old woman with severe psoriatic arthritis presented with a 3-week history of fevers, night sweats, nonproductive cough, and 4-kg weight loss. She had been receiving treatment with adalimumab for 3 years after failing other disease-modifying antirheumatic drugs. A computerized tomography scan of her chest showed widespread nodules, bilateral lower zone patchy consolidation, and moderate splenomegaly, with small areas of nonenhancement consistent with miliary TB (Figure 1). She underwent bronchoscopy, which was smear- and culture-positive for Mycobacterium tuberculosis . She started isoniazid, rifampicin, pyrazinamide, and ethambutol, with resolution of symptoms over the following 2 weeks. Figure 1. Chest radiograph of the patient shows disseminated nodules throughout both lung fields. This patient was born in Ireland and migrated to Australia when 3 months … Address correspondence to Dr. B.W. Teh; E-mail: ben.w.teh{at}gmail.com.
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 | 0,003 | 0,028 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,004 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,012 | 0,010 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».