Predicting and improving diagnosis of tuberculosis outcomes in South Africa using machine learning techniques
Notice bibliographique
Résumé
The Ministry of Health and Social Welfare of South Africa has made significant efforts to combat tuberculosis (TB), guided by the National Strategic Plan for addressing HIV, STIs, and TB. However, progress in preventing and eradicating TB has been seriously hindered by reliance on ineffective diagnostic methods. This study aimed to predict and improve TB diagnosis in South Africa using machine learning techniques. Data from the National Income Dynamics Survey, conducted by the Southern African Labour and Development Research Units, were analyzed. The dataset underwent a 70:30 train-test split for Random Forest (RF), Decision Trees (DTs), Support Vector Machines (SVMs), Gradient Boosting Machines (GBMs), Artificial Neural Networks (ANNs), and Logistic Regression (LR). Hyperparameter tuning and impurity-based measures were employed to rank variable importance. RF achieved 87.50% sensitivity and an F1-score of 92.5%. DT achieved a sensitivity of 90.92% and an F1-score of 93.01%. ANN yielded 81.72% sensitivity and an F1-score of 87.53%. SGBMs showed 91.32% sensitivity and 94.55% F1-score. SVMs showed 90.03% sensitivity and 97.72% F1-score. LR achieved a sensitivity of 96.55% and an F1-score of 96.80%. Machine Learning (ML) techniques, with accuracy rates of more than 80% present a significant opportunity for enhancing TB prediction and diagnosis in South Africa. This predictive technique may be beneficial in resource-constrained settings, including those in sub-Saharan Africa.
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 | 0,007 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».