Clinical Features and Prediction Model of Secondary Infection Risk in Adult Patients With Chronic Respiratory Diseases: A Case-Control Study
Notice bibliographique
Résumé
Background: There are limited investigations on the general pathogen features, clinical characteristics, and predicted clinical markers of secondary lower respiratory tract infection of chronic respiratory disorders. Methods: A total of 154 adult inpatients with chronic respiratory diseases between 2019 and 2022 were enrolled. Clinical data were retrospectively collected and analyzed. Multivariate logistic regression analysis was used to analyze the susceptibility factors of infection secondary to chronic respiratory diseases. Results: Among the patients with chronic respiratory diseases, the most prevalent condition was chronic obstructive pulmonary disease (44.2%, 68/154). Cough, expectoration, chest tightness, and wheezing were the predominant symptoms irrespective of infection. Pseudomonas aeruginosa accounted for 37% (20/54) in pathogen infection. Aspergillus fumigatus was the primary cause of filamentous fungal infection. The combination of low body mass index, increased tricuspid regurgitation pressure, and decreased lymphocyte count could accurately predict infection secondary to chronic respiratory diseases (area under curve (AUC): 0.788, 95% confidence interval (CI): 0.689 - 0.887, P = 0.000). Conclusions: This study focused and explored the common features between secondary infections of various chronic respiratory diseases. The prediction model is expected to enable timely detection and treatment of secondary infections in clinical practice.
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 | 0,003 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».