Does my patient have SARS-CoV-2 infection? A reminder of clinical probability formulas
Notice bibliographique
Résumé
Around the world, people are wondering, ‘Do I have SARS-CoV-2?’. Determining a person’s probability of illness is central to the practice and teaching of evidence-based medicine (EBM). Probabilities can be calculated through mathematical formulas, but studies find that many clinicians have difficulty with the calculations.1–4 For many conditions in medicine, clinicians can rely on experience and/or established algorithms. However, with SARS-CoV-2 infection, clinicians lack experience and, given the rapidly changing prevalence of the illness, algorithms are difficult to establish. In this manuscript, we use the example of SARS-CoV-2 as an educational reminder of how clinicians can roughly gauge the probability of illness in different contexts and to highlight some conceptual issues in the estimates needed for the formulas. Broadly speaking, the diagnostic process involves a sequence of estimating the probability of an illness and then adjusting this estimate with each new piece of information. Clinicians are generally taught to calculate the probability of illness given new information through either the use of Bayes probability theorem or the use of a 2×2 contingency table. Mathematically, Bayes theorem and the 2×2 table are the same calculation. The 2×2 table calculation appears less complex than Bayes theorem, because it converts conditional probabilities into numbers that are entered into the cells of the table.2 ### Bayes probability theorem In writing formulas, the term ‘given’ is symbolised as a straight vertical line. Letting ‘P’=probability, ‘A’=SARS-CoV-2 and ‘B’=new information, Bayes probability theorem is: P(A I B)=[P(A) × P(B I A)] / P(B).5 Imagine that B, the new information, is the symptom of a cough. Then the probability of SARS-CoV-2 for a patient given the presence of cough, P(A I B), is equal to the probability of SARS-CoV-2 in the patient’s community, P(A), multiplied by the probability of cough given that the patient has SARS-CoV-2, P(B I A), …
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
Étiquettes directes de modèles (non validées)
Étiquettes de catégorie et de devis d'étude par modèle, issues des rondes d'étiquetage. C'est une sortie machine, non validée, et le désaccord entre modèles est livré comme donnée. Aucun devis ici n'est encore validé contre MEDLINE.
| Bras | Catégories | Devis d'étude | Confiance |
|---|---|---|---|
| gemma | aucune catégorie Domaine: non disponible · Genre: Commentaire Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Sans objet | low |
| gpt | aucune catégorie Domaine: non disponible · Genre: Commentaire Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Sans objet | high |
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 | 0,413 |
| 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 | 0,001 |
| 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) | 0,001 | 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 validéeÉtiqueté directement par 2 modèles lisant le dossier complet.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».