Bibliographic record
Abstract
Contexte : Un cas de tuberculose nouvellement diagnostiqué peut être classifié en tant que 1) cas source menant à la transmission à d'autres cas actifs, secondaires; 2) cas secondaire, résultant d'une récente transmission; ou 3) cas isolé, non impliqué dans une récente transmission (c.-à.-d. ni source ni destinataire). Objectif : Afin de faciliter la gestion de la transmission de la tuberculose, un modèle basé sur une régression logistique multinomiale a été développé pour estimer la probabilité qu'un nouveau cas appartienne à l'une des trois classes, en fonction de sescaractéristiques cliniques et socio-démographiques tels que l'âge, la condition HIV et les résultats d'une radiographie pulmonaire. Méthodes : Les caractéristiques des cas de tuberculose rapportés sur l'Ile de Montréal entre 1996 et 2007 ont été utilisées pour l'ajustement du modèle, après avoir subi une imputation multiple. L'analyse des empreintes génétiques a été utilisée en tantque norme de référence pour définir la variable dépendante du modèle. La sélection de variables a été effectuée à l'aide de la technique BMA (Bayesian Model Averaging), et 10 validations croisées (10-fold) ont été exécutées sur chacun des jeux de données imputés afin de mesurer la performance prédictive du modèle, correspondant à l'AUC (Area Under the Receiver Operating Curve). Résultats : Un total de 1552 cas admissibles, comprenant 107 (6.9%) cas sources, 207 (13.4%) cas secondaires, et 1238 (79.8%) cas isolés ont été utilisés pour la création du modèle. L'AUC du modéle, donc sa capacité à distinguer les cas sources, secondaires et isolés est de 0.59 (95% IC: 0.54, 0.65), 0.64 (95% IC: 0.62, 0.67), and 0.65 (95%IC: 0.63, 0.67), respectivement. Conclusion: La performance du modèle est significativement supérieure à celle d'une prédiction aléatoire. Une étude plus approfondie serait nécessaire afin d'évaluer sa capacité à améliorer la gestion de la tuberculose dans un contexte pratique.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.004 | 0.020 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".