Point‐of‐care lung ultrasound is more reliable than chest X‐ray for ruling out acute chest syndrome in sickle cell pediatric patients: A prospective study
Notice bibliographique
Résumé
BACKGROUND: Acute chest syndrome (ACS) is a leading cause of morbidity and mortality in sickle cell patients, and it is often challenging to establish its diagnosis. PROCEDURE: This was a prospective observational study conducted in a pediatric emergency (PEM) department. We aimed to investigate the performance characteristics of point-of-care lung ultrasound (LUS) for diagnosing ACS in sickle cell children. LUS by trained PEM physicians was performed and interpreted as either positive or negative for consolidation. LUS results were compared to chest X-ray (CXR) and discharge diagnosis as reference standards. RESULTS: Four PEM physicians performed the LUS studies in 79 suspected ACS cases. The median age was 8 years (range 1-17 years). Fourteen cases (18%) received a diagnosis of ACS based on CXR and 21 (26.5%) had ACS discharge diagnosis. Comparing to CXR interpretation as the reference standard, LUS had a sensitivity of 100% (95% CI: 77%-100%), specificity of 68% (95% CI: 56%-79%), positive predictive value of 40% (95% CI: 24%-56%), and negative predictive value of 100% (95% CI: 92%-100%). Overall LUS accuracy was 73.42% (95% CI: 62%-83%). Using discharge diagnosis as the endpoint for both CXR and LUS, LUS had significantly higher sensitivity (100% vs. 62%, p = .0047) and lower specificity (76% vs.100%, p = .0002). LUS also had lower positive (60% vs.100%, p < .0001) and higher negative (100% vs.77%, p = .0025) predictive values. The overall accuracy was similar for both tests (82% vs. 88%, p = .2593). CONCLUSION: The high negative predictive value, with narrow CIs, makes LUS an excellent ruling-out tool for ACS.
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 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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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) | 0,000 | 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 tête enseignante, 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 ».