Validation of manual and automated wheezing detection from audio recordings
Notice bibliographique
Résumé
Introduction: Presently human experts must diagnose wheezing at the bedside using real-time analog tools (ear, stethoscope). Human experts could diagnose wheezing from digital audio files. Further, automated wheezing detection from unattended digital recordings would obviate bedside human diagnosis. Aim: To validate the detection of wheezing from unattended digital recordings. Methods: 189 digital audio recordings of 30 s duration were obtained using a dedicated digital microphone device (Wheezo, Respiri Limited, Melbourne) from 56 hospitalized patients (38 F; age 21 to 87 - mean 63.5 years; 26 COPD, 27 asthma, 1 vocal cord dysfunction, and 2 other) and 20 ambulatory normal adult controls. Wheezes were scored manually by two respirologists (KP, NS) and by a biomedical engineer (RSP). Their consensus was compared to an automated wheeze scoring algorithm. The accuracy, sensitivity, and specificity of automated wheeze rate detection were calculated along with Cohen9s κ coefficient (R 3.4.4). We further plan to apply the algorithm to the ERS reference database of lung sounds. Results: The accuracy, sensitivity, and specificity of automated wheeze rate detection were 90.5, 87.1, and 93.3%. Cohen9s κ coefficient was 0.81. Breath-by-breath comparison of human and automated scoring showed near-perfect agreement for the presence, absence, and duration of wheezes. Conclusion: Wheezing can be diagnosed from digital audio recordings either manually by human experts or automatically by a computer algorithm. Diagnosing wheezing remotely increases assessment capacity while reducing viral transmission risk during epidemics.
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 | 0,014 | 0,030 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| 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 ».