A predictive algorithm for identifying children with sickle cell anemia among children admitted to hospital with severe anemia in Africa
Notice bibliographique
Résumé
Sickle cell anemia (SCA) is common in sub-Saharan Africa where approximately 1% of births are affected. Severe anemia is a common cause for hospital admission within the region yet few studies have investigated the contribution made by SCA. The Transfusion and Treatment of severe anemia in African Children Trial (ISRCTN84086586) investigated various treatment strategies in 3983 children admitted with severe anemia (hemoglobin < 6.0 g/dl) based on two severity strata to four hospitals in Africa (three Uganda and one Malawi). Children with known-SCA were excluded from the uncomplicated stratum and capped at 25% in the complicated stratum. All participants were genotyped for SCA at trial completion. SCA was rare in Malawi (six patients overall), so here we focus on the participants recruited in Uganda. We present baseline characteristics by SCA status and propose an algorithm for identifying children with unknown-SCA. Overall, 430 (12%) and 608 (17%) of the 3483 Ugandan participants had known- or unknown-SCA, respectively. Children with SCA were less likely to be malaria-positive and more likely to have an affected sibling, have gross splenomegaly, or to have received a previous blood transfusion. Most outcomes, including mortality and readmission, were better in children with either known or unknown-SCA than non-SCA children. A simple algorithm based on seven admission criteria detected 73% of all children with unknown-SCA with a number needed to test to identify one new SCA case of only two. Our proposed algorithm offers an efficient and cost-effective approach to identifying children with unknown-SCA among all children admitted with severe anemia to African hospitals where screening is not widely available.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».