Accelerating Cough-Based Algorithms for Pulmonary Tuberculosis Screening: Results From the CODA TB DREAM Challenge
Notice bibliographique
Résumé
Background: Open-access data challenges can accelerate innovation in artificial intelligence-based tools. In the Cough Diagnostic Algorithm for Tuberculosis (CODA TB) DREAM Challenge, we developed and independently validated cough sound-based artificial intelligence algorithms for tuberculosis screening. Methods: We included data from 2143 adults with ≥2 weeks of cough from outpatient clinics in India, Madagascar, the Philippines, South Africa, Tanzania, Uganda, and Vietnam. A standard tuberculosis evaluation was completed, and ≥3 solicited coughs were recorded using a smartphone. We invited teams to develop models using training data to classify microbiologically confirmed tuberculosis disease using (1) cough sound features only and/or (2) cough sound features with routinely available clinical data. After 4 months, they submitted the algorithms for independent test set validation. Models were ranked by area under the receiver operating characteristic curve (AUROC) and partial AUROC (pAUROC) to achieve at least 80% sensitivity and 60% specificity. Results: Eleven cough models and 6 cough-plus-clinical models were submitted. AUROCs for cough models ranged from 0.69 to 0.74, and the highest performing model achieved 55.5% specificity (95% confidence interval, 47.7%-64.2%) at 80% sensitivity. The addition of clinical data improved AUROCs (range, 0.78-0.83); 5 of the 6 models reached the target pAUROC, and the highest performing model had 73.8% specificity (95% confidence interval, 60.8%-80.0%) at 80% sensitivity. The AUROC varied by country and was higher among male and human immunodeficiency virus-negative individuals. Conclusions: In a short period, an open-access data challenge facilitated the development of new cough-based tuberculosis algorithms and demonstrated potential as a tuberculosis screening tool.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».