A predictive model to differentiate dengue from other febrile illness
Notice bibliographique
Résumé
BACKGROUND: Dengue is a major public health problem in tropical and subtropical countries and has a presentation similar to other febrile illnesses. Since laboratory confirmation is frequently delayed, the majority of dengue cases are diagnosed based on symptoms. The objective of this study was to identify clinical, hematological and demographical parameters that could be used as predictors of dengue fever among patients with febrile illness. METHODS: We conducted a retrospective cohort study of 548 patients presenting with febrile syndrome to the largest public hospitals in Honduras. Patients' clinical, laboratory, and demographic data as well as dengue laboratory detection by either serology or viral isolation were used to build a predictive statistical model to identify dengue cases. RESULTS: Of 548 patients, 390 were confirmed with dengue infection while 158 had negative results. Univariable analysis revealed seven variables associated with dengue: male sex, petechiae, skin rash, myalgia, retro-ocular pain, positive tourniquet test, and gingival bleeding. In multivariable logistic regression analysis, retro-ocular pain petechiae and gingival bleeding were associated with increased risk, while epistaxis and paleness of skin were associated with reduced risk of dengue. Using a value of 0.6 (i.e., 60% probability for a case to be positive based on the equation values), our model had a sensitivity of 86.2%, a specificity of 27.2%, and an overall accuracy of 69.2%; allowing for the diagnosis of dengue to be ruled out and for other febrile conditions to be investigated. CONCLUSIONS: Among Honduran patients presenting with febrile illness, our analysis identified key symptoms associated with dengue fever, however the overall accuracy of our model was still low and specificity remains a concern. Our model requires validation in other populations with a similar pattern of dengue transmission.
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 | 0,005 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».