Making cough count: The application of cough as a biomarker for respiratory disease screening and monitoring
Bibliographic record
Abstract
La toux est un symptôme fréquent des maladies respiratoires, notamment la COVID-19, la tuberculose (TB), la bronchopneumopathie chronique et le cancer du poumon. Sa nature non spécifique complique le diagnostic, et les patients peinent à en décrire la durée précise. Les développements en santé numérique et en intelligence artificielle (IA) cherchent à transformer la toux en biomarqueur objectif pour la décision clinique. Ces outils analysent les sons de toux pour dépister les maladies ou suivre leur évolution pendant le traitement. Ce domaine émergent, l'"épidémiologie acoustique", utilise la technologie pour analyser les sons corporels et comprendre la dynamique des maladies. Avec l'avancement des technologies et de l'IA, il faut évaluer l'utilité clinique de ces outils, comprendre la dynamique de la toux et les défis de mise en œuvre. Cette thèse vise à faire progresser l'épidémiologie acoustique en évaluant la toux comme biomarqueur des maladies respiratoires.Le premier manuscrit est une perspective sur les récentes avancées des outils d'analyse numérique de la toux pour les soins de la tuberculose. Nous avons exploré le potentiel de la toux comme biomarqueur à différentes étapes de la cascade de soins de la tuberculose.Le deuxième manuscrit revoit les outils numériques de comptage de la toux pour le suivi longitudinal. Nous avons identifié quatre cas d'utilisation clinique: le diagnostic, le suivi du traitement, la prédiction des résultats et la surveillance syndromique. Des corrélations modérées entre les décomptes objectifs de la toux et les résultats rapportés par les patients soulignent la nature complexe de la toux. Notre revue a révélé des défis de mise en œuvre, soulignant le besoin d'études de validation en conditions réelles.Le troisième manuscrit examine la relation entre les décomptes de toux et la charge bactérienne TB durant les deux premières semaines de traitement. Parmi 209 individus TB-positifs, les décomptes de toux ont diminué au fil du temps. Les analyses multivariées ont montré que les participants avec des groupes Xpert plus faibles ('Moyen', 'Faible', 'Très faible') avaient des décomptes de toux plus faibles comparés au groupe 'Élevé', avec des ratios de taux (RT) de 0,79 (intervalle de confiance [IC] à 95%: 0,59, 1,05), 0,64 (95%: 0,47, 0,87) et 0,61 (95%: 0,41, 0,91). Des scores de gravité plus faibles à la radiographie thoracique étaient aussi associés à des fréquences de toux plus faibles (RT: 0,80; 95%: 0,67, 0,95). Ces résultats montrent que la fréquence de la toux corrèle avec les marqueurs de charge bactérienne et diminue avec le traitement.Le quatrième manuscrit explore la validité externe des modèles de triage COVID-19 basés sur la toux. Nous avons analysé les toux de 605 adultes à Lima, Pérou et Montréal, Canada. Les analyses des caractéristiques de la toux ont révélé une hétérogénéité significative entre les cohortes. Les algorithmes d'apprentissage automatique ont bien performé à Lima, atteignant une aire sous la courbe (ASC) de 0,71 (erreur standard [ES]: ± 0,08). La performance était plus faible à Montréal avec une ASC de 0,53 (± 0,04). Les deux modèles ont montré une faible validité externe (ASC ± ES: 0,5 ± 0,03 pour Lima, 0,51 ± 0,01 pour Montréal).Le dernier manuscrit examine la validité externe des modèles d'IA de triage TB basés sur la toux. Nous avons évalué les modèles du CODA TB DREAM Challenge avec des données de toux de 303 adultes au Pérou. La performance des modèles a diminué d'une plage d'ASC de 0,689-0,743 dans le CODA Challenge à 0,480-0,615 dans la validation externe, soulignant le besoin de développer et valider des outils basés sur la toux avec des données des populations cibles.Ces études font progresser notre compréhension de la toux comme biomarqueur, soulignant son potentiel dans la surveillance et le dépistage tout en révélant les défis d'application clinique
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 | 0.002 | 0.010 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.002 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 0.001 |
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".