Evaluation of visual triage for screening of Middle East respiratory syndrome coronavirus patients
Notice bibliographique
Résumé
The emergence of Middle East respiratory syndrome coronavirus (MERS-CoV) in September 2012 in Saudi Arabia had attracted the attention of the global health community. In 2017 the Saudi Ministry of Health released a visual triage system with scoring to alert healthcare workers in emergency departments (EDs) and haemodialysis units for the possibility of occurrence of MERS-CoV infection. We performed a retrospective analysis of this visual score to determine its sensitivity and specificity. The study included all cases from 2014 to 2017 in a MERS-CoV referral centre in Riyadh, Saudi Arabia. During the study period there were a total of 2435 suspected MERS cases. Of these, 1823 (75%) tested negative and the remaining 25% tested positive for MERS-CoV by PCR assay. The application of the visual triage score found a similar percentage of MERS-CoV and non-MERS-CoV patients, with each score from 0 to 11. The percentage of patients with a cutoff score of ≥4 was 75% in patients with MERS-CoV infection and 85% in patients without MERS-CoV infection (p 0.0001). The sensitivity and specificity of this cutoff score for MERS-CoV infection were 74.1% and 18.6%, respectively. The sensitivity and specificity of the scoring system were low, and further refinement of the score is needed for better prediction of MERS-CoV infection.
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 | 0,001 | 0,000 |
| 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 | 0,000 |
| 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 ».