Acoustic surveillance of cough for detecting respiratory disease using artificial intelligence
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Research question: Can smartphones be used to detect individual and population-level changes in cough frequency that correlate with the incidence of coronavirus disease 2019 (COVID-19) and other respiratory infections? Methods: This was a prospective cohort study carried out in Pamplona (Spain) between 2020 and 2021 using artificial intelligence cough detection software. Changes in cough frequency around the time of medical consultation were evaluated using a randomisation routine; significance was tested by comparing the distribution of cough frequencies to that obtained from a model of no difference. The correlation between changes of cough frequency and COVID-19 incidence was studied using an autoregressive moving average analysis, and its strength determined by calculating its autocorrelation function (ACF). Predictors for the regular use of the system were studied using a linear regression. Overall user experience was evaluated using a satisfaction questionnaire and through focused group discussions. Results: ; p=0.00001). There was a weak temporal correlation between aggregated coughs and the incidence of COVID-19 in the local population (ACF 0.43). Technical issues affected uptake and regular use of the system. Interpretation: Artificial intelligence systems can detect changes in cough frequency that temporarily correlate with the onset of clinical disease at the individual level. A clearer correlation with population-level COVID-19 incidence, or other respiratory conditions, could be achieved with better penetration and compliance with cough monitoring.
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.
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 | 0,010 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 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 découle