Clinical sign and biomarker-based algorithm to identify bacterial pneumonia among outpatients with lower respiratory tract infection in Tanzania
Notice bibliographique
Résumé
BACKGROUND: Inappropriate antibiotics use 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 an 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/min) and PCT (≥ 0.25 μg/L) had 94% sensitivity and 82% specificity. CONCLUSIONS: PCT, IL-6 and sTREM-1 had an 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 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 | 0,001 | 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 | 0,000 |
| 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 ».