Breaking the threshold: Developing multivariable models using computer-aided chest X-ray analysis for tuberculosis triage
Notice bibliographique
Résumé
OBJECTIVES: Computer-aided detection (CAD) software packages quantify tuberculosis (TB)-compatible chest X-ray (CXR) abnormality as continuous scores. In practice, a threshold value is selected for binary CXR classification. We assessed the diagnostic accuracy of an alternative approach to applying CAD for TB triage: incorporating CAD scores in multivariable modeling. METHODS: We pooled individual patient data from four studies. Separately, for two commercial CAD, we used logistic regression to model microbiologically confirmed TB. Models included CAD score, study site, age, sex, human immunodeficiency virus status, and prior TB. We compared specificity at target sensitivities ≥90% between the multivariable model and the current threshold-based approach for CAD use. RESULTS: We included 4,733/5,640 (84%) participants with complete covariate data (median age 36 years; 45% female; 22% with prior TB; 22% people living with human immunodeficiency virus). A total of 805 (17%) had TB. Multivariable models demonstrated excellent performance (areas under the receiver operating characteristic curve [95% confidence interval]: software A, 0.91 [0.90-0.93]; software B, 0.92 [0.91-0.93]). Compared with threshold scores, multivariable models increased specificity (e.g., at 90% sensitivity, threshold vs model specificity [95% confidence interval]: software A, 71% [68-74%] vs 75% [74-77%]; software B, 69% [63-75%] vs 75% [74-77%]). CONCLUSION: Using CAD scores in multivariable models outperformed the current practice of CAD-threshold-based CXR classification for TB diagnosis.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,019 | 0,057 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,004 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 source (Gemma direct ou Codex distillé), 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 ».