The use of Quantiferon-TB gold in-tube test in screening latent tuberculosis among Saudi Arabia dialysis patients
Notice bibliographique
Résumé
BACKGROUND AND AIM: Screening for tuberculosis (TB) is a key strategy for controlling infection. This study aimed to detect latent TB among dialysis patients. METHODS: This is a prospective study conducted in King Saud University, Riyadh involving hemodialysis (HD) and peritoneal dialysis (PD) patients aged ≥18 years. Patients were screened for latent TB infection (LTBI) using both TBskin test (TST) and QuantiFERONTB Gold In-Tube test (QFT-GIT). All participants were followed-up clinically and radiologically every 3 months for 2 years. RESULTS: A total of 243 (181 HD and 62 PD) patients were included and 112(46.1%) were males. 45.3% showed positive QFT in HD patients with sensitivity of 91.7%, specificity of 71.4%, positive predictive value (PPV) of 19.5%, and negative predictive value (NPV) of 91.1%. TST results in HD showed that positive TST was 17.4%, sensitivity was 63.2%, specificity was 95.5%, PPV was 51.5%, and NPV was 91.1%. Five (8.1%) showed positive QFT in PD patients with sensitivity of 7.7%, specificity of 91.8%, PPV of 6.6%, and NPV of 92.3%. TST results in PD showed that positive TST was 9.8%, sensitivity was 35.7%, specificity was 97.9%, PPV was 55.8%, and NPV was 93.3%. Previous TB infection was significantly correlated with QFT only in HD patients, but significantly associated with TST in both HD and PD patients. Also in HD, QFT was significantly associated with TST (P = 0.043). CONCLUSIONS: Due to high variability of QFT-GIT sensitivity, we recommend its use for its NPV and to use either TST or QFT in screening latent TB.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».