The Performance of Computer-Aided Detection Digital Chest X-ray Reading Technologies for Triage of Active Tuberculosis Among Persons With a History of Previous Tuberculosis
Notice bibliographique
Résumé
BACKGROUND: Digital chest X-ray (dCXR) computer-aided detection (CAD) technology uses lung shape and texture analysis to determine the probability of tuberculosis (TB). However, many patients with previously treated TB have sequelae, which also distort lung shape and texture. We evaluated the diagnostic performance of 2 CAD systems for triage of active TB in patients with previously treated TB. METHODS: We conducted a retrospective analysis of data from a cross-sectional active TB case finding study. Participants ≥15 years, with ≥1 current TB symptom and complete data on history of previous TB, dCXR, and TB microbiological reference (Xpert MTB/RIF) were included. dCXRs were evaluated using CAD4TB (v.7.0) and qXR (v.3.0). We determined the diagnostic accuracy of both systems, overall and stratified by history of TB, using a single threshold for each system that achieved 90% sensitivity and maximized specificity in the overall population. RESULTS: Of 1884 participants, 452 (24.0%) had a history of previous TB. Prevalence of microbiologically confirmed TB among those with and without history of previous TB was 12.4% and 16.9%, respectively. Using CAD4TB, sensitivity and specificity were 89.3% (95% CI: 78.1-96.0%) and 24.0% (19.9-28.5%) and 90.5% (86.1-93.3%) and 60.3% (57.4-63.0%) among those with and without previous TB, respectively. Using qXR, sensitivity and specificity were 94.6% (95% CI: 85.1-98.9%) and 22.2% (18.2-26.6%) and 89.7% (85.1-93.2%) and 61.8% (58.9-64.5%) among those with and without previous TB, respectively. CONCLUSIONS: The performance of CAD systems as a TB triage tool is decreased among persons previously treated for TB.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».