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 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 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».