An electronic medical record retrieval system can be used to identify missed diagnosis in patients with primary ciliary dyskinesia
Notice bibliographique
Résumé
BACKGROUND: Primary ciliary dyskinesia (PCD) is a rare, genetically heterogeneous disease. Due to difficulty accessing diagnostic services and a lack of awareness of the syndrome, clinicians often fail to recognize the classic phenotype, leading to missed diagnoses. METHODS: Relevant medical records were accessed through The BIG DATA QUERY AND ANALYSIS SYSTEM of Peking Union Medical College Hospital from September 1, 2012 to March 31, 2024. The search strategy included the following key terms: (bronchiectasis OR atelectasis OR recurrent cough OR recurrent expectoration OR hemoptysis) AND (sinusitis OR nasal polyps OR otitis media OR neonatal pneumonia OR neonatal respiratory distress OR ectopic pregnancy OR infertility OR artificial insemination OR assisted reproduction OR hydrocephalus OR congenital heart disease OR organ laterality defect OR right-sided heart OR semen OR consanguineous marriage). Patients were filtered according to inclusion and exclusion criteria, and those with clinical suspicion of PCD were invited for screening, which included nasal nitric oxide and whole exome sequencing. RESULTS: A total of 874 medical records were retrieved. After filtering based on inclusion and exclusion criteria, 65 patients with clinical suspicion of PCD were identified, 21 of whom accepted our invitation to complete PCD-related screening. Among them, four were diagnosed with PCD, one was diagnosed with cystic fibrosis, and one was diagnosed with immunodeficiency-21. CONCLUSIONS: This is the first study to use an electronic medical record retrieval system to identify missed diagnoses PCD. We believe that the methods used in this study can be extended to other rare diseases in the future.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| 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 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 ».