Additional file 1 of Evaluating the potential for respiratory metagenomics to improve treatment of secondary infection and detection of nosocomial transmission on expanded COVID-19 intensive care units
Notice bibliographique
Résumé
Additional file 1: Supplementary Methods and Tables S1-S8. Table S1. List of pre-defined pathogen and reference source for each pathogen. Table S2. All non-pathogenic organisms identified in all respiratory samples processed with clinical metagenomics (above pre-defined thresholds). Table S3. Clinical characteristics and results of routine microbiological tests performed on intubated COVID-19 patients across 7 linked dedicated COVID-19 intensive care units on Guy’s and St Thomas’ hospital sites during the first wave of the COVID-19 pandemic. Table S4A. Sequencing metadata for all respiratory samples processed with clinical metagenomics. Table S4B. Negative controls run with each batch of samples sequenced. Table S5. Phenotypic resistance reported by culture and resistance genes reported by clinical metagenomics in all culture-positive samples after 2 hours of sequencing. Table S6. Microbiology, PCR and clinical metagenomics results for all samples processed in this study for the identification of Aspergillus fumigatus. Table S7A-D. Klebsiella pneumoniae and Corynebacterium striatum alignment for outbreak analysis. Table S8A-E. Performance reported after testing different parameters on training set for pathogen identification. The number of True Positive (TP), False Positive (FP), True Negative and False Negative (TN) samples as well as sensitivity, specificity along and calculated Youden’s Index ((sensitivity+specificity)-1) are presented.
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 | 0,045 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,844 | 0,128 |
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 ».