Associations Among Self-Reported Tick-Borne Disease Symptoms, Treatments & Diagnoses
Notice bibliographique
Résumé
In eastern Canada, deer ticks (Ixodes scapularis) carry a variety of bacterial (Borrelia burgdorferi, Anaplasma, Ehrlichia, Rickettsia) and protozoan pathogens (Babesia) that are responsible for more disease in humans than any other arthropod vector. While most known tick borne diseases (TBD) in Canada are treatable, misdiagnosed and untreated infections can cause debilitating symptoms, many of which are non-specific and can be mistaken for other diseases. Using quantitative models, the goal of my thesis is to investigate whether tick-borne diseases cause syndromes (e.g., groups of symptoms which consistently occur together). An anonymous cross-sectional survey was disseminated online via the Qualtrics software package to survey age, gender, blood test results, symptom profiles, and chronic health conditions. Recruitment was focused on the Kingston-Ottawa corridor because it is a Lyme disease hotspot in Canada, but inclusion criteria included anyone with a self-reported tick bite. This resulted in 1248 unique submissions, 301 of which self-reported a tick-borne disease. On average, participants who reported a Lyme disease diagnosis along with one or more secondary co-infections presented with more symptoms and a longer time to diagnosis than participants with Lyme disease alone. I used supervised machine learning to model self-reported symptoms while accounting for demographics, clinical tests, and chronic health conditions. A Regularised Discriminant Analysis of 13 binary symptoms was 86.7% accurate at distinguishing individuals with TBD from those without TBD and correctly classified participants with 72.8% accuracy into self-reported diagnoses grouped into four categories: Lyme disease, Lyme disease with one or more co infections, other tick-borne disease, and no diagnosed disease. To model how healthcare practitioners might diagnose disease, I used hierarchical logistic regressions to identify self reported factors that predict diagnosis. Skin rash and blood tests were predictive of all three diagnosis categories, accounting for 41-61% of the variation in TBD diagnosis predictions. Participants with chronic health conditions (cardiovascular, rheumatological, and central nervous system disorders) were less likely to receive TBD diagnoses, which is consistent with misdiagnosed disease. This research shows that patients’ TBD symptom profiles can be used in a collaborative scientific approach to improve diagnosis and knowledge translation in the domain of TBD.
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 | 0,001 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».