Near-Infrared Spectroscopic Screening for Bladder Disease in Africa: Training Rural Clinic Staff to Collect Data of Diagnostic Quality
Notice bibliographique
Résumé
Background. While near-infrared spectroscopy (NIRS) has recognized relevance for developing countries, biomedical applications are rare. This reflects the cost and complexity of NIRS and the convention of comprehensive training for accurate data collection. In an international initiative using transcutaneous NIRS to screen for bladder disease in Africa, we evaluated if interactive training enabled clinic staff to collect data accurately.Methods. Workshop training in a Ugandan medical clinic on NIRS monitoring theory; bladder physiology and chromophore changes occurring with disease; device orientation; device positioning over the bladder, monitoring subjects during voiding; and saving/uploading data. Participation in patient screening followed with observation, assistance, and then data collection. Evaluation comprised conduct of serial independent screenings with analysis if saved files were of diagnostic quality.Results. 10 individuals attended 1-hour workshops and then 0.5–3.0 hours of screening. Five then felt able to conduct screening independently and all collected data were of diagnostic quality (>5 consecutive patients); all had participated in screening for >1.5 hours (6+ subjects); less participation allowed competent assistance but not consistent adherence to the monitoring protocol.Conclusion. A simplified NIRS system, small-group theory/orientation workshops, and >I.5 hours of 1 : 1 training during screening enabled clinic staff in Africa to collect accurate NIRS data.
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 | 0,004 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».