The role of the Deki Reader™ in malaria diagnosis, treatment and reporting: findings from an Africare pilot project in Nigeria
Notice bibliographique
Résumé
BACKGROUND: The Deki Reader is a diagnostic device used with rapid diagnostic tests (RDTs) and linked to an online database for real-time uploads of patient information and results. This is in contrast to visual interpretation of malaria RDTs recorded on the District Health Information System (DHIS). This paper compares records for use of the Deki Reader with DHIS records of visual interpretation of RDTs. RESULTS: A total of 4063 patient encounters/tests were recorded on the Deki Reader database between June 1st and December 31st, 2016. These tests were for 2629 persons who presented with fever and had RDT done. In comparison, data from DHIS 2.0 for same period recorded 7201 persons presenting with fever. 2421 out of the 2629 persons (92.1%), received RDT using Deki Reader compared to 6535 out of 7201 persons (90.4%) recorded on DHIS (p = 0.04). From DHIS records, malaria positivity rate was 51.6% (3375 out of 6535 persons) compared to Deki Reader records of 23.6% (572 out of 2421 persons). The difference between these two rates was significant (p < 0.001). The odds ratio (95% CI) for the association between use of Deki Reader and having a positive malaria result was 0.29 (0.26-0.32). DHIS showed that 4008 persons received Artemisinin-based combination therapy (ACT) while 3989 persons tested positive with RDT or microscopy, compared to 691 out of 705 persons (98.0%) using Deki Reader. Finally, Deki Reader identified 618 processing and manufacturers errors with an error rate of 15.3%. CONCLUSION: The Deki Reader is likely a useful tool for malaria diagnosis, treatment, and real-time data management. It potentially improves diagnostic quality, reduces wastage in ACT administration and improves data quality.
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 | 0,002 | 0,002 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».