MétaCan
Menu
← Retour à la cohorte
Enregistrement W4391385717 · doi:10.2196/47422

Timely Pulmonary Tuberculosis Diagnosis Based on the Epidemiological Disease Spectrum: Population-Based Prospective Cohort Study in the Republic of Korea

2024· article· en· W4391385717 sur OpenAlexvenueno aff
Yousang Ko, Jae Seuk Park, Jinsoo Min, Hyung Woo Kim, Hyeon‐Kyoung Koo, Jee Youn Oh, Yun‐Jeong Jeong, Eun Hye Lee, Bumhee Yang, Ju Sang Kim, Sung-Soon Lee, Yunhyung Kwon, Jiyeon Yang, Ji yeon Han, You Jin Jang, Jinseob Kim

Notice bibliographique

RevueJMIR Public Health and Surveillance · 2024
Typearticle
Langueen
DomaineMedicine
ThématiqueTuberculosis Research and Epidemiology
Établissements canadiensnon disponible
Organismes subventionnairesKorea Disease Control and Prevention Agency
Mots-clésEpidemiologyMedicineTuberculosisDiseaseProspective cohort studyEnvironmental healthCohort studyPulmonary tuberculosisCohortPopulationPublic healthIntensive care medicinePathology

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Timely pulmonary tuberculosis (PTB) diagnosis is a global health priority for interrupting transmission and optimizing treatment outcomes. The traditional dichotomous time-divided approach for addressing time delays in diagnosis has limited clinical application because the time delay significantly varies depending on each community in question. OBJECTIVE: We aimed to reevaluate the diagnosis time delay based on the PTB disease spectrum using a novel scoring system that was applied at the national level in the Republic of Korea. METHODS: The Pulmonary Tuberculosis Spectrum Score (PTBSS) was developed based on previously published proposals related to the disease spectrum, and its validity was assessed by examining both all-cause and PTB-related mortality. In our analysis, we integrated the PTBSS into the Korea Tuberculosis Cohort Registry. We evaluated various time delays, including patient, health care, and overall delays, and their system-associated variables in line with each PTBSS. Furthermore, we reclassified the scores into distinct categories of mild (PTBSS=0-1), moderate (PBTBSS=2-3), and severe (PBTBSS=4-6) using a multivariate regression approach. RESULTS: Among the 14,031 Korean patients with active PTB whose data were analyzed from 2018 to 2020, 37% (n=5191), 38% (n=5328), and 25% (n=3512) were classified as having a mild, moderate, and severe disease status, respectively, according to the PTBSS. This classification can therefore reflect the disease spectrum of PTB by considering the correlation of the score with mortality. The time delay patterns differed according to the PTBSS. In health care delays according to the PTBSS, greater PTB disease progression was associated with a shorter diagnosis period, since the condition is microbiologically easy to diagnose. However, with respect to patient delays, the change in elapsed time showed a U-shaped pattern as PTB progressed. This means that a remarkable patient delay in the real-world setting might occur at both apical ends of the spectrum (ie, in both mild and severe cases of PTB). Independent risk factors for a severe PTB pattern were age (adjusted odds ratio 1.014) and male sex (adjusted odds ratio 1.422), whereas no significant risk factor was found for mild PTB. CONCLUSIONS: Timely PTB diagnosis should be accomplished. This can be improved with use of the PTBSS, a simple and intuitive scoring system, which can be more helpful in clinical and public health applications compared to the traditional dichotomous time-only approach.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,011
Score d'incertitude au seuil0,023

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,001
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,047
Tête enseignante GPT0,361
Écart entre enseignants0,314 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR Public Health and Surveillance→Même sujetTuberculosis Research and Epidemiology→Travaux en français237 207→