Diagnosing Chronic Obstructive Airway Disease on a Smartphone Using Patient-Reported Symptoms and Cough Analysis: Diagnostic Accuracy Study
Notice bibliographique
Résumé
BACKGROUND: Rapid and accurate diagnosis of chronic obstructive pulmonary disease (COPD) is problematic in acute care settings, particularly in the presence of infective comorbidities. OBJECTIVE: The aim of this study was to develop a rapid smartphone-based algorithm for the detection of COPD in the presence or absence of acute respiratory infection and evaluate diagnostic accuracy on an independent validation set. METHODS: Participants aged 40 to 75 years with or without symptoms of respiratory disease who had no chronic respiratory condition apart from COPD, chronic bronchitis, or emphysema were recruited into the study. The algorithm analyzed 5 cough sounds and 4 patient-reported clinical symptoms, providing a diagnosis in less than 1 minute. Clinical diagnoses were determined by a specialist physician using all available case notes, including spirometry where available. RESULTS: The algorithm demonstrated high positive percent agreement (PPA) and negative percent agreement (NPA) with clinical diagnosis for COPD in the total cohort (N=252; PPA=93.8%, NPA=77.0%, area under the curve [AUC]=0.95), in participants with pneumonia or infective exacerbations of COPD (n=117; PPA=86.7%, NPA=80.5%, AUC=0.93), and in participants without an infective comorbidity (n=135; PPA=100.0%, NPA=74.0%, AUC=0.97). In those who had their COPD confirmed by spirometry (n=229), PPA was 100.0% and NPA was 77.0%, with an AUC of 0.97. CONCLUSIONS: The algorithm demonstrated high agreement with clinical diagnosis and rapidly detected COPD in participants presenting with or without other infective lung illnesses. The algorithm can be installed on a smartphone to provide bedside diagnosis of COPD in acute care settings, inform treatment regimens, and identify those at increased risk of mortality due to seasonal or other respiratory ailments. TRIAL REGISTRATION: Australian New Zealand Clinical Trials Registry ACTRN12618001521213; http://www.anzctr.org.au/Trial/Registration/TrialReview.aspx?id=375939.
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 | 0,008 | 0,027 |
| 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 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».