Wrist and Forehead Temperature Measurement as Screening Methods During the COVID-19 Pandemic
Notice bibliographique
Résumé
Background: Temperature screening checkpoints have become widely distributed during the COVID-19 pandemic, using various contactless methods of temperature measurement, including wrist and forehead measurement. Aim: In this study we aim to investigate the sensitivity and specificity of these two temperature measurement methods – wrist and forehead – compared with the standards of sublingual or axillary measurement. We also aim to investigate the influence of age, gender, device brand and diurnal effect on the temperature reading. Methods: Participants were randomly assigned to one of two groups, each group using a different temperature measurement device. All participants had their forehead and wrist temperature measured, and this was compared to their axillary or sublingual readings. Results: The area under the curve for wrist measurement was 0.49 (95% CI 0.34 and 0.64), p>0.05, with a sensitivity of 46.2% and specificity of 53.3%, while the area under the curve for forehead measurement was 0.70 (95% CI 0.51, 0.89), p<0.05, with a sensitivity of 23.1% and specificity of 76.9%, PPV 1.59% and NPV 97.7%. Conclusion: Wrist and forehead temperature measurement is not accurate in detecting fever during the ongoing COVID-19 pandemic. Although forehead measurement is also not an ideal method, it nevertheless appears more consistent than wrist measurement.
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 | 0,019 | 0,043 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».