A Machine Learning-Based Triage Tool for Children With Acute Infection in a Low Resource Setting*
Notice bibliographique
Résumé
OBJECTIVES: To deploy machine learning tools (random forests) to develop a model that reliably predicts hospital mortality in children with acute infections residing in low- and middle-income countries, using age and other variables collected at hospital admission. DESIGN: Post hoc analysis of a single-center, prospective, before-and-after feasibility trial. SETTING: Rural district hospital in Rwanda, a low-income country in Sub-Sahara Africa. PATIENTS: Infants and children greater than 28 days and less than 18 years of life hospitalized because of an acute infection. INTERVENTIONS: None. MEASUREMENTS AND MAIN RESULTS: Age, vital signs (heart rate, respiratory rate, and temperature) capillary refill time, altered mental state collected at hospital admission, as well as survival status at hospital discharge were extracted from the trial database. This information was collected for 1,579 adult and pediatric patients admitted to a regional referral hospital with an acute infection in rural Rwanda. Nine-hundred forty-nine children were included in this analysis. We predicted survival in study subjects using random forests, a machine learning algorithm. Five prediction models, all including age plus two to five other variables, were tested. Three distinct optimization criteria of the algorithm were then compared. The in-hospital mortality was 1.5% (n = 14). All five models could predict in-hospital mortality with an area under the receiver operating characteristic curve ranging between 0.69 and 0.8. The model including age, respiratory rate, capillary refill time, altered mental state exhibited the highest predictive value area under the receiver operating characteristic curve 0.8 (95% CI, 0.78-0.8) with the lowest possible number of variables. CONCLUSIONS: A machine learning-based algorithm could reliably predict hospital mortality in a Sub-Sahara African population of 949 children with an acute infection using easily collected information at admission which includes age, respiratory rate, capillary refill time, and altered mental state. Future studies need to evaluate and strengthen this algorithm in larger pediatric populations, both in high- and low-/middle-income 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 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 | 0,001 |
| 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 ».