The Adequacy of Current Legionnaires’ Disease Diagnostic Practices in Capturing the Epidemiology of Clinically Relevant Legionella: A Scoping Review
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Legionella is an underdiagnosed and underreported etiology of pneumonia. Legionella pneumophila serogroup 1 (LpSG1) is thought to be the most common pathogenic subgroup. This assumption is based on the frequent use of a urinary antigen test (UAT), only capable of diagnosing LpSG1. We aimed to explore the frequency of Legionella infections in individuals diagnosed with pneumonia and the performance of diagnostic methods for detecting Legionella infections. We conducted a scoping review to answer the following questions: (1) “Does nucleic acid testing (NAT) increase the detection of non-pneumophila serogroup 1 Legionella compared to non-NAT?”; and (2) “Does being immunocompromised increase the frequency of pneumonia caused by non-pneumophila serogroup 1 Legionella compared to non-immunocompromised individuals with Legionnaires’ disease (LD)?”. Articles reporting various diagnostic methods (both NAT and non-NAT) for pneumonia were extracted from several databases. Of the 3449 articles obtained, 31 were included in our review. The most common species were found to be L. pneumophila, L. longbeachae, and unidentified Legionella species appearing in 1.4%, 0.9%, and 0.6% of pneumonia cases. Nearly 50% of cases were caused by unspecified species or serogroups not detected by the standard UAT. NAT-based techniques were more likely to detect Legionella than non-NAT-based techniques. The identification and detection of Legionella and serogroups other than serogroup 1 is hampered by a lack of application of broader pan-Legionella or pan-serogroup diagnostics.
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.
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 | 0,005 | 0,032 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle