MétaCan
Menu
Retour à la cohorte
Enregistrement W2910791438 · doi:10.1371/journal.pntd.0007109

The impact of imperfect screening tools on measuring the prevalence of epilepsy and headaches in Burkina Faso

2019· article· en· W2910791438 sur OpenAlexaff
Ida Sahlu, Cici Bauer, Rasmané Ganaba, Pierre‐Marie Preux, Linda D. Cowan, Pierre Dorny, Athanase Millogo, Hélène Carabin

Notice bibliographique

RevuePLoS neglected tropical diseases · 2019
Typearticle
Langueen
DomaineMedicine
ThématiqueParasitic infections in humans and animals
Établissements canadiensUniversité de MontréalCegep de Saint Hyacinthe
Organismes subventionnairesEunice Kennedy Shriver National Institute of Child Health and Human DevelopmentNational Institute of Child Health and Human DevelopmentNational Institute of Neurological Disorders and StrokeFogarty International CenterNational Institutes of Health
Mots-clésNeurocysticercosisMedicineEpilepsyCysticercosisHeadachesPediatricsPsychiatryPathology

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Epilepsy and progressively worsening severe chronic headaches (WSCH) are the two most common clinical manifestations of neurocysticercosis, a form of cysticercosis. Most community-based studies in sub-Saharan Africa (SSA) use a two-step approach (questionnaire and confirmation) to estimate the prevalence of these neurological disorders and neurocysticercosis. Few validate the questionnaire in the field or account for the imperfect nature of the screening questionnaire and the fact that only those who screen positive have the opportunity to be confirmed. This study aims to obtain community-based validity estimates of a screening questionnaire, and to assess the impact of verification bias and misclassification error on prevalence estimates of epilepsy and WSCH. METHODOLOGY/PRINCIPAL FINDINGS: Baseline screening questionnaire followed by neurological examination data from a cluster randomized controlled trial collected between February 2011 and January 2012 were used. Bayesian latent-class models were applied to obtain verification bias adjusted validity estimates for the screening questionnaire. These models were also used to compare the adjusted prevalence estimates of epilepsy and WSCH to those directly obtained from the data (i.e. unadjusted prevalence estimates). Different priors were used and their corresponding posterior inference was compared for both WSCH and epilepsy. Screening data were available for 4768 individuals. For epilepsy, posterior estimates for the sensitivity varied with the priors used but remained robust for the specificity, with the highest estimates at 66.1% (95%BCI: 56.4%;75.3%) for sensitivity and 88.9% (88.0%;89.8%) for specificity. For WSCH, the sensitivity and specificity estimates remained robust, with the highest at 59.6% (49.7%;69.1%) and 88.6% (87.6%;89.6%), respectively. The unadjusted prevalence estimates were consistently lower than the adjusted prevalence estimates for both epilepsy and WSCH. CONCLUSIONS/SIGNIFICANCE: This study demonstrates that in some settings, the prevalence of epilepsy and WSCH can be considerably underestimated when using the two-step approach. We provide an analytic solution to obtain more valid prevalence estimates of these neurological disorders, although more community-based validity studies are needed to reduce the uncertainty of the estimates. Valid estimates of these two neurological disorders are essential to obtain accurate burden values for neglected tropical diseases such as neurocysticercosis that manifest as epilepsy or WSCH. TRIAL REGISTRATION: ClinicalTrials.gov NCT03095339.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,078
score de la tête « metaresearch » (Gemma)0,175
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,078
Score d'incertitude au seuil0,411

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0780,175
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,002
Études des sciences et des technologies0,0010,002
Communication savante0,0020,001
Science ouverte0,0010,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,033
Tête enseignante GPT0,299
Écart entre enseignants0,266 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations18
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePLoS neglected tropical diseasesMême sujetParasitic infections in humans and animalsTravaux en français237 207