Prevalence of and factors associated with underdiagnosis of pediatric asthma in Batumi, Georgia
Notice bibliographique
Résumé
BACKGROUND AND OBJECTIVE: A recent survey in Batumi, Georgia showed a low prevalence of asthma in children (1.8%). A potential explanation is underdiagnosis of asthma. To investigate this, we conducted a follow up to the survey with the objective of estimating the level of childhood asthma underdiagnosis and to describe factors related to it. METHODS: Subjects included 437 survey participants who had a history of asthma-like symptoms and no diagnosis of asthma. All children underwent clinical examination (spirometry, skin prick tests, FeNO measurement) to identify new cases of asthma. The distribution of host and environmental factors was compared between the group with newly identified asthma and a group of 59 children with previously known asthma (diagnosed asthma). RESULTS: Clinical investigation identified 107 cases of undiagnosed asthma. The corrected asthma prevalence estimate was 5.1% (95%CI: 4.4%-5.9%) suggesting that 65% of asthma cases were undiagnosed. Compared to children with diagnosed asthma, children with undiagnosed asthma were younger (8.2±1.6 vs. 9.3±2.1; p=0.0005), had less frequent history of allergic disorders (38.3% vs. 64.4%; p=0.001), and a lower prevalence of parental asthma (1.8% vs. 8.4%; p=0.04). The groups did not differ in terms of environmental characteristics except for more exposure to passive smoking in the undiagnosed asthma group (p=0.01). Multivariate analysis confirmed results of simple analyses. CONCLUSION: In Batumi, 65% of children with asthma remain undiagnosed. Older age of a child, coexisting allergic disorders, and parental asthma seem to facilitate diagnosis. Implementation of current diagnostic guidelines should improve diagnostic accuracy of pediatric asthma in Batumi.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».