Evaluation of Chest CT scan as a screening and diagnostic tool in trauma patients with coronavirus disease 2019 (COVID-19): a cross-sectional study in southern Iran
Notice bibliographique
Résumé
Abstract Background: The lack of enough medical evidence about COVID-19 regarding optimal prevention, diagnosis, and treatment contributes negatively to the rapid increase in the number of cases globally. A chest computerized tomography (CT) scan has been introduced as the most sensitive diagnostic method. Therefore, this research aimed to examine and evaluate the chest CT scan as a screening measure of COVID-19 in trauma patients. Method: This cross-sectional study was conducted in Rajaee Hospital in Shiraz from February to May 2020. All patients underwent unenhanced CT with a 16-slice CT scanner. The CT-scans were evaluated in a blinded manner and main CT scan features were described and classified into four groups according to RSNA recommendation. Subsequently, the first two RSNA categories with the highest probability of COVID pneumonia (i.e. typical and indeterminate) were merged into the “positive CT scan group” and those with radiologic features with the least probability of COVID pneumonia into “negative CT scan group”. Results: Chest CT scan had a sensitivity (68%), specificity (56%), positive predictive value (34.8%), negative predictive value (83.7%), and accuracy (59.3%) in detecting COVID-19 among trauma patients. Also, for the diagnosis of COVID-19 by CT scan in asymptomatic individuals a sensitivity of 100% and a specificity of 66.7% and a negative predictive value of 100% was obtained. Conclusion: Findings of the study indicated that the CT scan's sensitivity and specificity is less effective in diagnosing trauma patients with COVID-19 in comparison to non-traumatic people.
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 | 0,007 | 0,029 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».