Paediatric meningitis in the conjugate vaccine era and a novel clinical decision model to predict bacterial aetiology
Notice bibliographique
Résumé
OBJECTIVES: The aims of this study were to assess aetiology and clinical characteristics in childhood meningitis, and develop clinical decision rules to distinguish bacterial meningitis from other similar clinical syndromes. METHODS: Children aged <16 years hospitalised with suspected meningitis/encephalitis were included, and prospectively recruited at 31 UK hospitals. Meningitis was defined as identification of bacteria/viruses from cerebrospinal fluid (CSF) and/or a raised CSF white blood cell count. New clinical decision rules were developed to distinguish bacterial from viral meningitis and those of alternative aetiology. RESULTS: The cohort included 3002 children (median age 2·4 months); 1101/3002 (36·7%) had meningitis, including 180 bacterial, 423 viral and 280 with no pathogen identified. Enterovirus was the most common pathogen in those aged <6 months and 10-16 years, with Neisseria meningitidis and/or Streptococcus pneumoniae commonest at age 6 months to 9 years. The Bacterial Meningitis Score had a negative predictive value of 95·3%. We developed two clinical decision rules, that could be used either before (sensitivity 82%, specificity 71%) or after lumbar puncture (sensitivity 84%, specificity 93%), to determine risk of bacterial meningitis. CONCLUSIONS: Bacterial meningitis comprised 6% of children with suspected meningitis/encephalitis. Our clinical decision rules provide potential novel approaches to assist with identifying children with bacterial meningitis. FUNDING: This study was funded by the Meningitis Research Foundation, Pfizer and the NIHR Programme Grants for Applied Research.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».