MétaCan
Menu
Retour à la cohorte
Enregistrement W3123115576 · doi:10.7244/cmj.2020.11.004

A COMPARISON OF THE EFFICACY OF DIAGNOSTIC IMAGING MODALITIES IN DETECTING COVID-19

2020· article· en· W3123115576 sur OpenAlexaboutno aff
Mohamed Nashnoush, David Chen, Devdigvijay Singh, Emily Chia‐Yu Su, Helen L. Yin, Jessica Y. Wong, Melissa Ma

Notice bibliographique

RevueCambridge Medicine Journal · 2020
Typearticle
Langueen
DomaineMedicine
ThématiqueCOVID-19 diagnosis using AI
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésModalitiesMedicineCoronavirus disease 2019 (COVID-19)RadiologyMedical physicsMedical imagingIntensive care medicinePathologyDisease

Résumé

récupéré en direct d'OpenAlex

AIMS As COVID-19 continues to spread globally, the urgency for effective diagnostic testing escalates. Medical imaging has revolutionized healthcare as a critical step to early diagnosis, leading to immediate isolation and optimized treatment pathways. Current imaging modalities such as the lung ultrasound, chest X-ray, and computed tomography (CT) scan are critical in COVID-19 detection. However, overlap in clinical characteristics with other viral respiratory illnesses poses a significant risk for misdiagnosis. METHODOLOGY To address the need for information concerning the effectiveness of Coronavirus disease 2019 (COVID-19) diagnostic procedures, this paper reviews different imaging modalities, evaluating various factors including sensitivity, specificity, cost, diagnosis time, accessibility, safety, ease of implementation, and potential for optimization. The literature search reviewed databases including PubMed, Google Scholar, Sonography Canada, Cochrane Review, and Novanet using keywords to filter results. A utilitarian approach was employed to further refine selection criteria and to assess credibility and relevance. Applicable data was then extracted from literature for analysis considering the relationships between studies. RESULTS AND CONCLUSIONS The imaging modalities reviewed in this paper each have unique advantages. The lung ultrasound, with moderate sensitivity, permits regular monitoring due to its accessibility. Chest X-rays are effective at processing detailed images of the lungs to detect abnormalities but are not confirmed as a precise method for diagnosis. While CT scans show morphological features of COVID-19 with superior sensitivity, it is incapable of accurately differentiating coronavirus from other pulmonary diseases. Overall, a multimodality approach would be most effective for COVID-19 diagnosis and monitoring, preventing over dependence on CT scans.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,064
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,152
Score d'incertitude au seuil0,944

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,064
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,075
Tête enseignante GPT0,387
Écart entre enseignants0,312 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCambridge Medicine JournalMême sujetCOVID-19 diagnosis using AITravaux en français237 207