Improvement of Clinical Algorithms for the Diagnosis of Neisseria gonorrhoeae and Chlamydia trachomatis by the Use of Gram-Stained Smears Among Female Sex Workers in Accra, Ghana
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: Screening for cervical infection is difficult in developing countries. Screening strategies must be improved for high-risk women, such as female sex workers. GOAL: To evaluate the sensitivity and specificity of screening algorithms for cervical infection pathogens among female sex workers in Accra, Ghana. STUDY DESIGN: A cross-sectional study among female sex workers was conducted. Each woman underwent an interview and a clinical examination. Biologic samples were obtained for the diagnosis of HIV, syphilis, bacterial vaginosis, yeast infection, Trichomonas vaginalis, Neisseria gonorrhoeae, and Chlamydia trachomatis infection. Signs and symptoms associated with cervicitis agents were identified. Algorithms for the diagnosis of cervical infection were tested by computer simulations. RESULTS: The following prevalences were observed: HIV, 76.6%; N. gonorrhoeae, 33.7%; C. trachomatis, 10.1%; candidiasis, 24.4%; T. vaginalis, 31.4%; bacterial vaginosis, 2.3%; serologic syphilis, 4.6%; and genital ulcers on clinical examination, 10.6%. The best performance of algorithms were reached when using a combination of clinical signs and a search for gram-negative diplococci on cervical smears (sensitivity, 64.4%; specificity, 80.0%). CONCLUSIONS: In the algorithms, examination of Gram-stained genital smears in female sex workers without clinical signs of cervicitis improved sensitivity without altering specificity for the diagnosis of cervical infection.
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.
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 | 0,000 |
| 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 | 0,000 | 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 découle