Quality Assurance of Spirometry in a Population-Based Study –Predictors of Good Outcome in Spirometry Testing
Notice bibliographique
Résumé
BACKGROUND: The assurance of high-quality spirometry testing remains a challenge. METHODS: Spirometry training consisted of standardized coaching followed by certification for 35 spirometry-naïve and 9 spirometry-experienced research assistants. Spirometry was performed before and after bronchodilator (BD) in random population samples of 5176 people aged 40 years and older from 9 sites in Canada. using the hand-held EasyOne spirometer (ndd Medical Technologies Inc., Andover, MA, USA). Pulmonary function quality assurance with over reading was conducted centrally in Vancouver: spirograms were reviewed and graded according to ATS/ERS standards with prompt feedback to the technician at each site. Descriptive statistics were calculated for manoeuvre acceptability and repeatability variables. A logistic regression model was constructed for the predictors of spirometry quality success. RESULTS: 95% of test sessions achieved pre-determined quality standards for back extrapolated volume (BEV), time to peak flow (PEFT) and end of test volume (EOTV). The mean forced expiratory time (FET) was 11.2 seconds. Then, 90% and 95% of all manoeuvres had FEV1 and FVC that were repeatable within 150 ml and 200 ml respectively. Test quality was slightly better for post-BD test sessions compared with pre-BD for both groups of research assistants. Independent predictors of acceptable test quality included participant characteristics: female sex, younger age, greater BD responsiveness; but not study site or prior experience in completing spirometry by the technologist. CONCLUSIONS: Good quality spirometry tests are attainable in large multicenter epidemiological studies by trained research assistants, irrespective of their prior experience in spirometry.
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 | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 ».