Refining early detection of Marburg Virus Disease (MVD) in Rwanda: Leveraging predictive symptom clusters to enhance case definitions
Notice bibliographique
Résumé
BACKGROUND: Marburg Virus Disease (MVD) poses a significant global health risk due to its high case fatality rates (24%-88%) and the diagnostic challenges posed by its nonspecific early symptoms, which overlap with other febrile illnesses like malaria. This study analyzed symptom patterns from the 2024 MVD outbreak in Rwanda to refine case definitions and enhance early detection. METHODS: A retrospective analysis was conducted of 6613 suspected MVD cases (66 positive, 6547 negative) reported between September 27 and December 20, 2024. Symptom prevalence and predictive value were assessed using multiple logistic regression models with L1 and L2 regularization to identify the most predictive symptoms. Models were validated using 5-fold cross-validation, with performance assessed through ROC analysis and standard accuracy metrics. RESULTS: Fever (78.8%), fatigue (63.6%), and headache (57.6%) were identified as the most common early symptoms, while hemorrhagic signs were rare (3.0%). The model achieved high accuracy (99.04%) and an area under the receiver operating characteristic curve of 0.824, identifying fever, fatigue, nausea/vomiting, joint pain, and sore throat as key predictors. CONCLUSION: Early symptom clusters, especially constitutional and gastrointestinal signs outperformed hemorrhagic symptoms for MVD detection. Findings challenge current case definitions, emphasizing the need for revised public health messaging and healthcare worker training. Integrating symptom-based models into surveillance could enhance detection, especially in resource-limited settings.
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 | 0,010 | 0,032 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».