Bayesian latent class estimation of the incidence of chest radiograph-confirmed pneumonia in rural Thailand
Notice bibliographique
Résumé
Pneumonia is a leading cause of mortality and morbidity worldwide with radiographically confirmed pneumonia a key disease burden indicator. This is usually determined by a radiology panel which is assumed to be the best available standard; however, this assumption may introduce bias into pneumonia incidence estimates. To improve estimates of radiographic pneumonia incidence, we applied Bayesian latent class modelling (BLCM) to a large database of hospitalized patients with acute lower respiratory tract illness in Sa Kaeo and Nakhon Phanom provinces, Thailand from 2005 to 2010 with chest radiographs read by both a radiology panel and a clinician. We compared these estimates to those from conventional analysis. For children aged <5 years, estimated radiographically confirmed pneumonia incidence by BLCM was 2394/100 000 person-years (95% credible interval 2185-2574) vs. 1736/100 000 person-years (95% confidence interval 1706-1766) from conventional analysis. For persons aged ⩾5 years, estimated radiographically confirmed pneumonia incidence was similar between BLCM and conventional analysis (235 vs. 215/100 000 person-years). BLCM suggests the incidence of radiographically confirmed pneumonia in young children is substantially larger than estimated from the conventional approach using radiology panels as the reference standard.
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 | 0,007 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| 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 | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».