Diagnostic predictive evaluation of pneumocystis jirovecii pneumonia using digital chest CT analysis combined with clinical features
Notice bibliographique
Résumé
Background: Pneumocystis jirovecii pneumonia (PJP) is a serious form of pneumonia characterized by non-specific symptoms. Diagnosis is challenging due to overlapping clinical and laboratory features with bacterial pneumonia (BP). This study aimed to develop a diagnostic prediction model integrating digital chest CT analysis with clinical and laboratory parameters to enable early identification of PJP. Methods: A retrospective analysis was performed on patients with confirmed PJP or BP at two medical centers between May 2020 and June 2024. Patient history, clinical symptoms, and laboratory test results were compared between cohorts. Chest CT images were analyzed using AI-assisted tools. Predictive factors were identified through univariate and multivariate logistic regression analyses, and a diagnostic nomogram was constructed. External validation was conducted using an independent cohort. Results: Multivariate analysis identified previous immunomodulator use, procalcitonin levels, inflammatory lesion volume/total lung volume, whole lung -700 to -450 HU pneumonia lesion volume, and whole lung -450 to -300 HU pneumonia lesion volume as independent predictors of PJP. The constructed nomogram achieved AUCs of 0.898 and 0.820 in the training and validation cohorts, respectively, with sensitivity of 74.5% and specificity of 90.4% in the training cohort, and sensitivity of 73.5% and specificity of 79.4% in the validation cohort. Calibration curves and decision curve analyses confirmed the model's predictive accuracy and clinical utility. Conclusion: The model provides a valuable tool for differentiating PJP from BP, demonstrating that AI-assisted recognition of chest CT images can effectively support pathogen identification. Its application has the potential to improve early diagnosis of PJP and enhance patient outcomes.
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 | 0,002 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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 | 0,000 |
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 ».