MedElevator
Войти в исследования Прогнозирование тяжести лихорадки денге у детей при поступлении в школу на основе клинических особенностей и лабораторных показателей: применение классификационного анализа деревьев.
Аннотация
ГОРОД: лихорадка в Денге является вновь возникающим вирусным заболеванием, которое обычно встречается в тропических и субтропических районах. Клинические характеристики и аномальные результаты лабораторных тестов на инфекцию денге аналогичны тем, которые характерны для других заболеваний фебрилов; поэтому точное и своевременное диагностирование этой инфекции для обеспечения надлежащего лечения затруднено. Задержка с диагностикой может быть связана с ненадлежащим лечением и более высоким риском смерти. Ранняя и правильная диагностика может помочь улучшить работу с пациентами и оптимизировать использование таких ресурсов, как больничный персонал, койки и оборудование для интенсивной терапии. Цель этого исследования заключалась в разработке прогнозной модели для определения степени жесткости денге на основе ранних клинических и лабораторных показателей с использованием методов сбора данных и статистических средств.
МЕТОДЫ
Мы извлекли данные из исследования, посвященного заболеваниям фебрилов у детей в больнице Ангкора для детей, Камбоджа. Из 1225 зарегистрированных фебрильных эпизодов 198 пациентов получили подтверждение, что у них был денге. Для построения транзакционного дерева для сильного денге использовались классификация и регрессионное дерево (САРТ), а для независимой количественной оценки значимости каждого параметра в дереве для принятия решений использовался анализ логистической регрессии.
Результаты
Согласно алгоритму деревьев принятия решений с использованием гематокрита, глазго комы, белка мочи, креатинина и количества тромбоцитов, с учетом чувствительности, специфичности и точности в 60,5, 65 и 64,1% соответственно.
ВЫВОДЫ
Описываемое нами дерево принятия решений с использованием пяти простых клинических и лабораторных показателей может использоваться для прогнозирования серьезных случаев денге среди пациентов педиатрического возраста при поступлении. Этот алгоритм потенциально полезен для руководства планом наблюдения за пациентами и амбулаторного лечения лихорадки в условиях нехватки ресурсов.
Название и аннотация на языке оригинала
Predicting the severity of dengue fever in children on admission based on clinical features and laboratory indicators: application of classification tree analysis.
BACKGROUND
Dengue fever is a re-emerging viral disease commonly occurring in tropical and subtropical areas. The clinical features and abnormal laboratory test results of dengue infection are similar to those of other febrile illnesses; hence, its accurate and timely diagnosis for providing appropriate treatment is difficult. Delayed diagnosis may be associated with inappropriate treatment and higher risk of death. Early and correct diagnosis can help improve case management and optimise the use of resources such as hospital staff, beds, and intensive care equipment. The goal of this study was to develop a predictive model to characterise dengue severity based on early clinical and laboratory indicators using data mining and statistical tools.
METHODS
We retrieved data from a study of febrile illness in children at Angkor Hospital for Children, Cambodia. Of 1225 febrile episodes recorded, 198 patients were confirmed to have dengue. A classification and regression tree (CART) was used to construct a predictive decision tree for severe dengue, while logistic regression analysis was used to independently quantify the significance of each parameter in the decision tree.
RESULTS
A decision tree algorithm using haematocrit, Glasgow Coma Score, urine protein, creatinine, and platelet count predicted severe dengue with a sensitivity, specificity, and accuracy of 60.5%, 65% and 64.1%, respectively.
CONCLUSIONS
The decision tree we describe, using five simple clinical and laboratory indicators, can be used to predict severe cases of dengue among paediatric patients on admission. This algorithm is potentially useful for guiding a patient-monitoring plan and outpatient management of fever in resource-poor settings.
Предметные рубрики MeSH
Подготовка и перевод публикации
Обработка статьи · этапы, ошибки и управление
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Тип публикации указан по данным источника. Уровень доказательности автоматически не присваивается.