Novel Diagnostic Models for Occupational Asthma from Low-Molecular-Weight Agents Exposure
Notice bibliographique
Résumé
<bold>Objective:</bold> The specific inhalation challenge (SIC) is the reference standard for diagnosing occupational asthma (OA) but is not widely available globally. We aimed to develop non-SIC-based models to diagnose OA in workers exposed to low-molecular-weight (LMW) agents. <bold>Methods:</bold> We conducted a diagnostic study on SIC positivity using clinical interview variables and non-SIC tests. Retrospective data (1980–2020) from two tertiary centers in British Columbia and Quebec included individuals exposed to LMW agents. We developed the models using logistic regression and externally validated them in centers with routine SIC (Finland/Poland) and centers where expert(s) confirmed OA diagnosis without routine SIC (Ontario/Turkey). <bold>Results:</bold> Our clinical interview model, which included male sex, isocyanate exposure, work-related rhinoconjunctivitis, smoking status, inhaled corticosteroid use, and exposure duration <10 years, had an area under the receiver operating characteristics curve (AUC) of 0.65. Adding diagnostic tests improved AUCs: interview plus sputum induction cell count (AUC=0.71), nonspecific bronchial hyperreactivity (NSBHR, AUC=0.72), serial peak expiratory flow (PEF, AUC=0.78), and NSBHR plus serial PEF (AUC=0.80). The final model, combining the clinical interview with serial PEF, had a shrinkage factor of 0.94, indicating good internal validity, and a Brier score of 0.156, reflecting good calibration. In Finland/Poland, the clinical interview alone had an AUC of 0.67, which improved to 0.84 with serial PEF, while in Ontario/Turkey, the AUC increased from 0.59 to 0.67. <bold>Conclusion:</bold> A novel model composed of clinical interviews and serial PEF can predict positive SIC caused by LMW agents.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| 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 | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».