Can We Predict Which Children With Clinically Suspected Pneumonia Will Have the Presence of Focal Infiltrates on Chest Radiographs?
Notice bibliographique
Résumé
OBJECTIVE: To determine predictive factors for the presence of focal infiltrates in children with clinically suspected pneumonia in a pediatric emergency department. METHODS: Children (1-16 years) with clinically suspected pneumonia were studied prospectively. The presenting features were compared between the children with and without focal infiltrates using chi2 analysis, t test, and odds ratio with 95% confidence intervals. A multivariate prediction rule was developed using logistic regression. RESULTS: A total of 570 were studied. Risk factors (odds ratio; 95% confidence interval) for the presence of focal infiltrates included history of fever (3.1; 1.7-5.3), decreased breath sounds (1.4; 1.0-2.0), crackles (2.0; 1.4-2.9), retractions (2.8; 1.0-7.6), grunting (7.3; 1.1-48.1), fever (1.5; 1.2-1.9), tachypnea (1.8; 1.3-2.5), and tachycardia (1.3; 1.0-1.6). We then used logistic regression to develop a candidate prediction rule for the variables of fever, decreased breath sounds, crackles, and tachypnea, which had an area under the receiver operating curve of 0.668. This rule had excellent sensitivity (93.1%-98%) yet poor specificity (5.7%-19.4%). CONCLUSIONS: Multiple predictive factors for children with suspected pneumonia have been identified. Patients with focal infiltrates were more likely in our study to have a history of fever, tachypnea, increased heart rate, retractions, grunting, crackles, or decreased breath sounds. A multivariate prediction rule shows promise for the accurate prediction of pneumonia in children. However, the prospective evaluation of this multivariate prediction rule in a clinical setting is still required.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,001 |
| 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 ».