Artificial Neural Networks for Prediction of Tuberculosis Disease
Notice bibliographique
Résumé
Background: The global burden of tuberculosis (TB) and antibiotic resistance is attracting the attention of researchers to develop some novel and rapid diagnostic tools. Although, the conventional methods like culture are considered as the gold standard, they are time consuming and offer more time in the transmission of disease. Further, the Xpert MTB/RIF assay offers the fast diagnostic facility within two hours, but due to low the sensitivity in some sample types may lead to more serious state of the disease. The role of computer technologies is now increasing in the diagnostic procedures. Here, in the current study we have applied the artificial neutral network (ANN) that predicted the TB disease based on the TB suspect data. Methods: We developed an approach for prediction of TB, based on artificial neural network (ANN). The data was collected from the TB suspects, guardians or care takers along with sample, referred by TB units and health centers. All the samples were processed and cultured. Data was trained on 12636 records of TB patients, collected during the years, 2016 and 2017 from provincial tuberculosis reference laboratory, Khyber Pakhtunkhwa, Pakistan. The training and test set of the suspect data were kept as 70% and 30% respectively followed by validation and normalization. The ANN take the TB suspects information’s like gender, age, HIV-status, previous TB history, sample type, sign and symptoms for TB prediction. Results: Based on TB patient’s data, ANN accurately predicted the MTB positive or negative with overall accuracy of >94%. Further, the test and validation accuracies were found >93%. This increased accuracy of ANN in detection of TB suspected patients might be useful for early management of disease to adopt some control measure in further transmission and reduce the drug resistance burden. Conclusion: ANNs algorithms may play effective role in early diagnosis of TB disease that might be applied as a supportive tool. Modern computer technologies should be trained in the diagnostics for a rapid management of disease. Delays in TB diagnosis and initiation treatment may allow the emergence of new cases by transmission, causing high drug resistance in TB high burden countries.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».