The Diagnostic Accuracy of Subjective Dyspnea in Detecting Hypoxemia Among Outpatients with COVID-19
Notice bibliographique
Résumé
Abstract Objectives The majority of patients with mild-to-moderate COVID-19 can be managed using virtual care. Dyspnea is challenging to assess remotely, and the accuracy of subjective dyspnea measures in capturing hypoxemia have not been formally evaluated for COVID-19. We explored the accuracy of subjective dyspnea in diagnosing hypoxemia in COVID-19 patients. Methods This is a retrospective cohort study of consecutive outpatients with COVID-19 who met criteria for home oxygen saturation monitoring at a university-affiliated acute care hospital in Toronto, Canada from April 3, 2020 to June 8, 2020. Hypoxemia was defined by oxygen saturation <95%. Dyspnea measures were treated as diagnostic tests, and we determined their sensitivity (SN), specificity (SP), negative/positive predictive value (NPV/PPV), and positive/negative likelihood ratios (+LR/-LR) for detecting hypoxemia. Results During the study period 64/298 (21.5%) of patients met criteria for home oxygen saturation monitoring, and of these 14/64 (21.9%) were diagnosed with hypoxemia. The presence/absence of dyspnea had limited accuracy for diagnosing hypoxemia, with SN 57% (95% CI 30-81%), SP 78% (63%-88%), NPV 86% (72%-94%), PPV 42% (21%-66%), +LR 2.55 (1.3-5.1), -LR 0.55 (0.3-1.0). An mMRC dyspnea score >1 (SP 97%, 95%CI 82%-100%), Roth Maximal Count <12 (SP 100%, 95%CI 75-100%), and Roth Counting time < 8 seconds (SP 93%, 95%CI 66%-100%) had high SP that could be used to rule in hypoxemia, but displayed low SN (≤50%). Conclusions Subjective dyspnea measures have inadequate accuracy for ruling out hypoxemia in high-risk patients with COVID-19. Safe home management of patients with COVID-19 should incorporate home oxygenation saturation monitoring.
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 | 0,001 | 0,015 |
| 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 | 0,001 |
| 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 ».