Use of chest radiography in the 22 highest tuberculosis burden countries
Notice bibliographique
Résumé
An estimated 9 million new tuberculosis (TB) cases and 1.5 million deaths were caused by Mycobacterium tuberculosis in 2013 [1], more than 80% of which occurred in the 22 highest TB burden countries (HBCs). Among the confirmed incident cases, 4.9 million were pulmonary TB (PTB), of which 58% were bacteriologically confirmed. For many of these cases, chest radiography (CXR) was used as an important tool for triaging, particularly in smear-negative patients, to select patients for further microbiological workup with culture or Xpert MTB/RIF (Cepheid, Sunnyvale, CA, USA) [2, 3]. For the diagnosis of 42% of PTB cases who were microbiologically negative, CXR was often used to support the clinical decision, particularly in children [1, 4]. CXR is used widely in the 22 highest TB burden countries but we need strategies for cost and human resources <http://ow.ly/RT7fq> We thank all participants of the 22 high TB burden countries for their time and support. We additionally would like to thank Yogesh Jha (Médecins sans Frontières, Paris, France) and Faiz Ahmad Khan (Montreal Chest Institute, Montreal, QC, Canada) for contacting additional participants in countries where it was difficult to receive a response. Srinath Satyanarayana (McGill University, Montreal, QC, Canada), Neeraj Raizada (Foundation for Innovative Diagnostics, Geneva, Switzerland), Sandra Kik (KNCV Tuberculosis Foundation, The Hague, The Netherlands) and Sarder Hossain (TB control program, BRAC, Dhaka, Bangladesh) helped greatly in improving the survey instrument.
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 | 0,007 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,007 |
| 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 ».