Diagnostic accuracy of infrared thermal imaging for detecting COVID‐19 infection in minimally symptomatic patients
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
INTRODUCTION: Despite being widely used as a screening tool, a rigorous scientific evaluation of infrared thermography for the diagnosis of minimally symptomatic patients suspected of having COVID-19 infection has not been performed. METHODS: A consecutive sample of 60 adult individuals with a history of close contact with COVID-19 infected individuals and mild respiratory symptoms for less than 7 days and 20 confirmed COVID-19 negative healthy volunteers were enrolled in the study. Infrared thermograms of the face were obtained with a mobile camera, and RT-PCR was used as the reference standard test to diagnose COVID-19 infection. Temperature values and distribution of the face of healthy volunteers and patients with and without COVID-19 infection were then compared. RESULTS: Thirty-four patients had an RT-PCR confirmed diagnosis of COVID-19 and 26 had negative test results. The temperature asymmetry between the lacrimal caruncles and the forehead was significantly higher in COVID-19 positive individuals. Through a random forest analysis, a cut-off value of 0.55°C was found to discriminate with an 82% accuracy between patients with and without COVID-19 confirmed infection. CONCLUSIONS: Among adults with a history of COVID-19 exposure and mild respiratory symptoms, a temperature asymmetry of ≥ 0.55°C between the lacrimal caruncle and the forehead is highly suggestive of COVID-19 infection. This finding questions the widespread use of the measurement of absolute temperature values of the forehead as a COVID-19 screening tool.
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.
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 | 0,004 | 0,131 |
| 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 découle