Predicting transmission of tuberculosis from patient attributes
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Background: A newly diagnosed tuberculosis (TB) case can be classified as: 1) a source case for transmission leading to other, secondary active TB cases; 2) a secondary case, resulting from recent transmission; or 3) an isolated case, uninvolved in recent transmission (i.e. neither source nor recipient). Accurate classification of newly diagnosed patients should help public health personnel to direct TB control activities. Objective: To aid prevention of TB transmission through effective management of newly diagnosed TB cases, a multinomial logistic regression model was developed to estimate the probability of a new case being one of three classes (i.e., source, secondary, isolated) based on the case's clinical and socio-demographic data, such as age, HIV status, and chest X-ray result. Methods: Attributes of TB cases reported on the island of Montreal between 1996 and 2007 were multiply imputed and used to fit the model. DNA fingerprint analysis was used as the reference standard to define the dependent variable of the model. Variable selection was performed by Bayesian Model Averaging, and 10 repeats of 10-fold cross-validation were performed on each of the imputed datasets to measure the predictive performance of the model using the Area Under the Receiver Operating Curve (AUC). Results: A total of 1552 cases, comprised of 107(6.9%) source cases, 207(13.4%) secondary cases, and 1238 (79.8%) isolated cases, were available to develop the model. AUC of the model to discriminate source, secondary, and isolated case was 0.59 (95% CI: 0.54, 0.65), 0.64 (95% CI: 0.62, 0.67), and 0.65 (95% CI: 0.63, 0.67), respectively. Conclusion: The performance of the prediction model was significantly better than random prediction. Further study is needed to assess its ability to improve TB control in public health 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.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 découle