Continuous digital cough monitoring during 6-month pulmonary tuberculosis treatment
Notice bibliographique
Résumé
Background: Recent advances in digital and wearable technologies with artificial intelligence (AI) enable the use of continuous cough monitoring (CCM) to objectively monitor symptoms as surrogate markers of treatment efficacy in pulmonary tuberculosis (PTB). The objectives of this study were to describe the evolution of cough during PTB treatment in adults and to assess the feasibility of community-based CCM. Methods: We prospectively enrolled PTB adult participants upon treatment initiation. Participants' coughs were continuously monitored during 6 months with a smartphone loaded with an app able to detect cough by using an AI algorithm. Results: 22 participants were included. The median (interquartile range (IQR)) age was 28.5 (22-42) years and 62% were male. The median (IQR) coughs per hour (medCPH) was 11.0 (7.0-27.0) at week 1. By the end of the intensive phase of PTB treatment at week 8, the medCPH was 3.5 (1.5-7.0), which was significantly lower than the medCPH at week 1 (p=0.002). At week 26 (end of treatment), the medCPH was 1.0 (1.0-2.5). The adherence to CCM was high during the first 13 weeks of PTB treatment and then waned over time. The adherence was similar during daytime and night-time. Conclusion: Cough counts rapidly drop during the intensive phase of PTB treatment and then slowly decrease to a low baseline level by the end of the treatment. Community-based CCM using digital technology is feasible in low-resource settings but requires evaluation of alternative approaches to overcome adherence issues and technical limitations (mobile internet and electricity availability).
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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,002 |
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 ».