Clinical Sign and Biomarker-based Algorithm to Identify Bacterial Pneumonia Among Outpatients with Lower Respiratory Tract Infection in Tanzania
Notice bibliographique
Résumé
Abstract Background.Inappropriate antibiotics in lower respiratory tract infections (LRTI) is a major contributor to resistance. We aimed to design an algorithm based on clinical signs and host biomarkers to identify bacterial community-acquired pneumonia (CAP) among patients with LRTI.Methods. Participants with LRTI were selected in a prospective cohort of febrile (≥38°C) adults presenting to outpatient clinics in Dar es Salaam. Participants underwent chest X-ray, multiplex PCR for respiratory pathogens, and measurements of 13 biomarkers. We evaluated the predictive accuracy of clinical signs and biomarkers using logistic regression and classification and regression tree analysis.Results. Of 110 patients with LRTI, 17 had bacterial CAP. Procalcitonin (PCT), interleukin-6 (IL-6) and soluble triggering receptor expressed by myeloid cells-1 (sTREM-1) showed excellent predictive accuracy to identify bacterial CAP (AUROC 0.88, 95%CI 0.78-0.98; 0.84, 0.72-0.99; 0.83, 0.74-0.92, respectively). Combining respiratory rate with PCT or IL-6 significantly improved the model compared to respiratory rate alone (p=0.006, p=0.033, respectively). An algorithm with respiratory rate (≥32/minute) and PCT (≥0.25 μg/L) had 94% sensitivity and 82% specificity.Conclusions. PCT, IL-6 and sTREM-1 had excellent predictive accuracy in differentiating bacterial CAP from other LRTIs. An algorithm combining respiratory rate and PCT displayed even better performance in this sub-Sahara African setting.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 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 ».