Two clinical prediction tools to inform rapid tuberculosis treatment decision-making in children
Notice bibliographique
Résumé
Background: In the absence of bacteriologic confirmation to diagnose tuberculosis (TB) in children, it is suggested that treatment should be initiated when sufficient clinical evidence of disease is available. However, it is unclear what clinical evidence is sufficient to make this decision. To identify children who would benefit from rapid initiation of TB treatment, we developed 2 clinical prediction tools. Methods: We conducted a secondary analysis of a prospective intensified TB patient-finding intervention conducted in Pakistan in 2014-2016. TB disease was determined through either bacteriologic confirmation or a clinical diagnosis. We derived 2 tools: 1 uses classification and regression tree (CART) analysis to develop decision trees, while the second uses multivariable logistic regression to calculate a risk score. Results: Of the 5162 and 5074 children included in the CART and prediction score, respectively, 1417 (27.5%) and 1365 (26.9%) were eligible for TB treatment. CART identified abnormal chest radiographs and family history of TB as the most important predictors (area under the receiver operating characteristic curve [AUC], 0.949). The final prediction score model included age group (0-4, 5-9, 10-14), weight <5th percentile, cough, fever, weight loss, chest radiograph suggestive of TB disease, and family history of TB; the identified best cutoff score was 9 (AUC, 0.985%). Conclusions: Use of clinical evidence was sufficient to accurately identify children who would benefit from treatment initiation. Our tools performed well compared with existing algorithms, though these results need to be externally validated before operationalization.
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 | 0,001 | 0,004 |
| 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 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».