开发和验证手动修改临床评估和监督机器学习算法在尼日利亚疟疾的儿童

介绍

在全球范围内,目前估计,每两分钟一个孩子在5岁死于疟疾。在尼日利亚,疟疾的发病率非常高,占所有死亡的9.8%的5岁以下儿童疟疾患病率接近50%在西南,北中部、西部和北部尼日利亚(天文台,2017;组织,2019年;联合国儿童基金会,2019)。

集群尼日利亚多个指标调查显示,只有63.4%的孩子发烧的历史寻求保健卫生设施或提供者。提出了护理的人,只有13.8%获得了疟疾诊断测试,只有36.8%接受抗疟治疗,20.6%是基于青蒿素的组合疗法(行为)。在卡诺州地区观察到25%的儿童发烧寻求保健从公共设施,14%来自私人设施,1.9%来自社区卫生工作者。只有11.3%的血液测试这些孩子收到了疟疾。儿童疟疾检测呈阳性,只有9.1%的人得到治疗,而29.4%的被给予抗生素(基金,2017)。这些发现表明,改善与疟疾的发热儿童的死亡率和发病率,需要有质量显著增加临床风险评估筛查儿童发烧与诊断测试和改进适当治疗儿童积极的疟疾诊断测试。

20多年前,世卫组织和联合国儿童基金会介绍社区(iCCM)或在诊所(儿童疾病综合管理)协议的前线医务工作者(fhw),目前用于纸质形式或数字移动健康(mHealth)平台,降低儿童死亡率和发病率在发展中国家,尤其是疟疾(基拉et al ., 2016)。不幸的是在尼日利亚,不到25%的一级设施,和60%的健康照顾生病的孩子们训练有素的工人在1997年被引入以来,儿童疾病综合管理协议(基金,2017)。在特定的风险识别发热儿童疟疾是非常具有挑战性的,尤其是在资源匮乏的国家。急性发热性疾病,疟疾呈现类似于大多数其它发热性疾病(发烧、头痛、呕吐、呼吸道症状和感冒发冷、等等)。调查重症疟疾研究表明识别疟疾的风险只使用儿童疾病综合管理协议是正确的不到30%的时间(国际药品采购机制,2018)。这导致世卫组织建议所有疟疾疑似病例,确认使用儿童疾病综合管理协议,有寄生虫学的确认(血涂片,DNA扩增,和/或疟疾快速诊断测试(mRDTs)]在治疗之前,促进合理使用行为和抗菌素。

疟疾快速诊断测试(mRDT)是一个简单和有成本效益的方法筛查疟疾fhw (Mokuolu et al ., 2016)。当前儿童疾病综合管理的限制/ ICCM算法的有限访问mRDT以外的替代治疗和诊断工具。这有助于贫困联系临床风险评估,坚持mRDT管理、使用不当的行为,以及不适当的处方抗生素。卫生工作者也对如何管理不确定性non-malaria发烧,因为害怕自己做出的错误决定和失去病人随访,最终可能导致死亡,这将进一步减少照顾者的信任他们的有效性(约翰逊et al ., 2016)。

因此,是一个重要的需要改进的方法来评估和治疗儿童急性发热性疾病提供一个更标准的方法从而增加了确定性发烧的原因,适当的治疗和随访的患者。修改数字移动医疗平台的能力算法基于数据驱动的分析和测试,以及使用这些数据和诊断实地诊断数据开发监督机器学习(ML)算法,将被证明是一种有价值的方法来改善儿童疟疾评估的准确性由fhw疟疾。

当前毫升的研究已经证明他们的效用在识别风险各种疾病包括糖尿病、肺结核、和癌症(Shinde Rajeswari, 2018)。到目前为止,没有证据证明ML-based疟疾的效用评估算法的数字移动医疗fhw导致改善疟疾风险评估的工具。用毫升准确地识别特定疾病的风险,基于当前和历史数据集来说是无价的创建特定的临床评估算法对各种发热性疾病,如疟疾(欧博迈亚,伊曼纽尔,2016;Rajkomar et al ., 2018)。

在这项研究中,我们将演示新毫升感染疟疾的风险监管的开发和测试算法,利用实地感染疟疾的风险评估,临床数据,并通过使用THINKMD mRDT诊断数据生成的儿童疾病综合管理的移动医疗平台,可以提高识别fhw的疟疾患儿发热性疾病。

材料和方法

研究设计

从2018年7月至8月,THINKMD应用程序利用7个社区卫生工作者(CHWs) 4周5初级卫生保健设施在地方政府区域(LGA)卡诺州,尼日利亚。

评估使用THINKMD mHealth工具使用嵌入式疟疾快速诊断测试(mRDT)是由CHWs 2-59月对所有孩子出现发烧或历史发烧在四周内五参与诊所。儿童疾病综合管理(IMCI)指定儿童疟疾风险是基于尼日利亚的发热性疾病评估标准的儿童疾病综合管理协议,明确任何孩子出现发烧或有一个当前的历史发烧(> 37.5°C)基于thermometer-based测量将是决定疟疾的风险和接收一个mRDT。因此,建议mRDT测试的最低的儿童疾病综合管理推荐阈值。研究期间收集的数据与历史数据收集从DHIS2过去12个月卡诺州地区卫生部提供的数据集。对孩子的不是历史的发烧或腋窝温度,mRDT测试是不推荐。结果,没有个人认为包含在数据集不可能由于这些标准。所有的孩子都被称为和/或作为建议世卫组织和儿童疾病综合管理指导方针。图1研究设计。

技术

在这项研究中,我们利用THINKMD的儿童疾病综合管理平台(mHealth兼容Finette et al ., 2019),嵌入式mRDT工作流和结果捕获能力。这个工具使用FHW用户获得超过94%的所有推荐的儿童疾病综合管理数据点生成综合临床风险评估最重要的临床条件影响儿童从2个月到5年,包括疟疾(Finette et al ., 2019)。之前的验证结果表明,临床评估完成FHW使用THINKMD mHealth工具有特异性99%和84之间的相关性当地卫生专业人员执行盲评估相同的孩子(Finette et al ., 2019)。此外,另一项研究结果表明,利用THINKMD mHealth工具导致WHO-IMCI依从性意味着增加41%(从71.4%至30.6)观察到的时候,WHO-IMCI依从性意味着增长了50.4%(从81.0%至30.6)当捕获通过THINKMD mHealth平台,以及增加收购的儿童疾病综合管理关键危险信号> 40%。摘要目前正在准备。

嵌入式疟疾快速诊断测试工作流为社区卫生工作者

尼日利亚的发热性疾病评估儿童疾病综合管理的工作流标准指定任何孩子出现发烧的历史或拥有一个基于温度计测量电流热疟疾的危险,应该接受mRDT,如上所述。按照这一政策,THINKMD平台修改包括的一个诊断步骤发烧管理分支,孩子出现发烧或历史记录腋窝温度> 37.5°C mRDT推荐。对孩子的不是历史的发烧或腋窝温度< 37.5°C mRDT测试是不推荐。

工作流的获取和文档mRDT结果嵌入到THINKMD mHealth工具标准化,确保收购CHWs mRDT测试和结果的一致性。实验室mRDT工作流面板包括一个自动生成的ID号,嵌入式定时器设置适当的特定mRDT测试,和一组测试结果输入。图2。改善mRDT结果的准确性,CHWs只能记录mRDT 15-20-min制造商推荐的时间框架内的结果。如果错过了这个时间窗口,他们被要求重复mRDT。

研究地点和参与者

本研究进行4周5初级卫生保健设施在地方政府区域(LGA)卡诺州,尼日利亚。其中包括2医疗诊所(Alfindinki和Tudun Murtala)和3卫生站(Kantudu, Unguwa Jakada和Hotoro Danmarke)。研究参与者2-59个月岁孩子出现发烧或发烧在卫生保健设施的历史。

七个CHWs训练了1天使用THINKMD mHealth平台有额外的疟疾诊断步骤。尼日利亚CHWs在卡诺州已经在他们的例行开展mRDTs /尼日利亚儿童疾病综合管理指导方针,因此培训强调遵循制造商的指示测试处理,和时间窗口阅读和输入的结果。

这项研究是人类研究委员会批准在佛蒙特州大学医学科学中心,佛蒙特州,美国,卫生部,尼日利亚卡诺州。

统计方法

THINKMD利用两个独立临床逻辑优化和测试方法:一个专注于修改当前的“医生”的核心逻辑通过改变逻辑参数的具体临床数据元素和宽容分数用来确定临床疟疾的风险;另一个是毫升的发展逻辑最初由当前逻辑算法和测试使用实地真实数据。

我们的分析的主要目标是:

•完善THINKMD mHealth疟疾“医师评估”逻辑基于实地数据获得在这项研究中,比较新的逻辑评估使用实地数据集。

•提高疟疾风险评估逻辑来提高识别急性发热病人应该接受mRDT筛查和减少不表示。

•开发基于ML疟疾评估逻辑使用监督毫升方法使用实地THINKMD疟疾评估数据和算法,以及当前的实地数据元素和mRDT真实数据。

在这项研究中,我们最初测试THINKMD疟疾风险评估算法的实地检查有较高标准生成一个基于风险评估比疟疾的儿童疾病综合管理指导方针,后者要求孩子们在演讲或实际热历史。这THINKMD疟疾算法集被称为“原始疟疾算法。“这些原始疟疾算法要求孩子有发烧的迹象,如上所述,以及一些全身感染的证据/败血症利用额外的特定的疟疾表现症状,体征,和身体的发现。

具体地说:

为了测试我们是否能够修改这些算法和测试它们使用相同的实地临床遇到的数据,我们降低我们的评估逻辑的严格对齐与儿童疾病综合管理疟疾的风险评估。这些算法被称为“修改疟疾算法”,包括热作为强制性标准以及1额外的关键/临床发现疟疾症状,如头痛、呕吐、为例。

疟疾的具体症状:

•热

•疼痛

•冷寒战

•头痛

•脓毒症

•当移动颈部疼痛

•苍白的眼皮

•呕吐

测试很感兴趣更严格的原始疟疾评估逻辑获得洞见我们是否能够正确地识别出那些从non-malaria病因出现发烧,和更准确地识别疟疾患儿发热的历史。然后我们利用实地遇到数据获得在这项研究中手动测试的准确性疟疾算法替代不严格的修改。

使用配对mRDT结果与临床健康数据和生成THINKMD疟疾的风险评估,我们可以进行相关分析的准确性我们最初的和修改的疟疾风险算法相比,尼日利亚的纸质适应标准的儿童疾病综合管理识别疟疾的风险。mRDT的比较分析结果的准确性提供了洞察两THINKMD疟疾风险评估算法的目标区分病人出现发热性疾病的症状,以确保适当的诊断检测和治疗干预。

我们最初表现之间的对比统计分析THINKMD疟疾风险评估尼日利亚儿童疾病综合管理的基于纸张的方法和mRDT结果使用历史DHIS2收集的数据在卡诺州和地方政府区域内诊所报告月度区域/国家DHIS2系统在整个2017年。然后我们这些疟疾数据集与原算法相比,疟疾以及另一种修改算法,比较每个历史和当前的儿童疾病综合管理感染疟疾的风险评估。

使用mRDT生成基于ML算法结果,我们使用随机森林模型预测mRDT结果使用临床数据捕获THINKMD mHealth平台的实现R包中随机森林v4.6-14 (Liaw维纳,2002)。短暂,我们训练一个分类树的生成1000引导我们的数据样本的大小等于病人的总数。这样做是通过临床数据集获得通过使用THINKMD风险评估算法和mRDT获得结果。然后,在树中的每个节点,我们随机选择50预测,预测的最佳子集选择保持在每个节点使用二进制递归分割评估与基尼系数在我们两个类(积极的和消极的mRDT结果)(Breiman 2001)。由此产生的树木修剪。对患者进行分类,即。,predict the mRDT result, patient data are evaluated by each of the 1,000 resulting trees. The most estimated class over all the trees, i.e., mRDT result with the most vote, is the final prediction. Variable importance was assessed based on the percentage of time each case in the out-of-sample data set was misclassified when a given variable was excluded from the predictor set. For more detailed information, seeBreiman (2001)。

随机森林ML-based发展被认为是一个监督毫升方法与其他方法相比,提供了几个优势其他毫升方法在已知端点毫升的路径,它允许为每个数据点的分析和它的重要性在生成的ML逻辑。这可能最终允许平台修改,重要的是,数据点的优先级采集到最终的适当的评估,从而简化平台设计和数据采集,同时保持精度。毫升精度确认,新的临床ML-based随机森林算法可以测试一组特定的实地测试集,不习惯训练毫升决策树。ML算法能获得相同的信息THINKMD风险评估。具体的变量中列出可用的机器学习算法补充表S1。

评估我们的研究结果的普遍性,我们进行n次交叉验证迭代控股10%的数据,拟合的随机森林在剩下的90%和评估结果伸出集和执行分析交叉验证通过迭代所有数据从五诊所,从剩下的四个训练数据和评估了集。模型比较使用灵敏度,特异性,阳性预测值(PPV),阴性预测值(NPV), F1分数(精度和召回的组合)。

有效地评估有多少病人遇到需要“训练”的随机森林模型,数据增加了二次抽样总数的5%在每个仿真数据集(5、10、20…90%)。对于每个子样品大小,1000训练和测试(90/10分裂)循环生成。

疟疾快速诊断测试

SD Bioline疟疾Ag Pf /锅RDTs(韩国)标准诊断Inc .,共和国提供网站的所有研究在研究的持续时间和根据制造商的指示和指导下执行应用程序。这种mRDT检测HRP-2抗原特异性恶性疟原虫由所有疟原虫物种和pLDH展出。

数据安全存储

数据保护和存储在国际商业机器Cloudant数据库即服务。所有访问云计算和数据加密通过HTTPS和通过休息充分和完整的身份验证应用程序编程接口。有夜间备份和复制数据库。

数据集可以在请求。由于收集的信息的敏感性,合作伙伴需要适当的审批由参与各方之前任何理由的数据共享。

结果

总共有555名儿童被评估七个化学加工五个地点在这一个月的研究。在480名儿童被确定为疟疾的风险儿童疾病综合管理指导方针后,66.7%的人正mRDT结果和33.3%有负mRDT结果。表1总结了所有的孩子总评估和RDT结果呈现为评估诊所。

对比基于纸疟疾儿童疾病综合管理指导方针THINKMD疟疾的风险评估算法

比较积极的预测值(PPV)之间执行评估疟疾历史儿童疾病综合管理疟疾从DHIS2评估数据,表2、当前THINKMD原始疟疾的儿童疾病综合管理数据和算法,表3。在计算中给出的措施表3,我们使用了mRDT结果,即。,positive or negative for malaria, as the ground truth. We expand on the potential implications of our decision to use the mRDT results as the comparator in the discussion.

这种分析的一个限制是,我们无法确定阴性预测值(NPV)的儿童疾病综合管理的数据集,作为评估认定为“没有疟疾风险”没有一个mRDT执行。之间的比较分析对PPV疟疾风险评估当前和历史儿童疾病综合管理和原始风险算法进行了总结表3。

尽管PPV之间类似的原始当前儿童疾病综合管理和风险评估算法捕获的儿童疾病综合管理评估疟疾的儿童比原始算法因为后者有更严格的风险标准产生积极的疟疾风险评估反映灵敏度较低。观察到的改善当前的儿童疾病综合管理评估可能与改善培训和/或可变性疟疾风险评估在整个一年,这是历史儿童疾病综合管理数据。因此,当儿童疾病综合管理筛查高风险低疟疾风险季节使用,PPV将减少。

的临床重要性是许多孩子现在对急性疾病的健康评估发现有多个临床状况需要治疗。看看我们观察这个在我们的样例,我们看其他关键集成THINKMD临床评估的分布及其与mRDT关联的结果。感染败血症,有趣的是,临床条件表明,直接与热有关,并与疟疾高度相关,是呈现在正面和负面的mRDT结果很均匀,表4。

分析之后,我们想要评估我们手动修改THINKMD疟疾逻辑的能力,以增加其灵敏度通过减少保守派来生成一个疟疾风险评估,具体修改的疟疾风险算法。该算法将使用原始的实地测试数据集相比,新生成的疟疾风险评估与mRDT真理获得数据。本修改算法的主要变化是疟疾消除脓毒症的证据的标准评估如上所述。总结这些研究结果进行了总结表5。

分析,使用相同的输入数据元素和相关mRDT结果为每个病人我们观察到显著增加PPV为(+)mRDT修改与原来的疟疾风险算法;显著增加的NPV (−) mRDT修改与原来的疟疾风险算法;和预期增加的敏感性和特异性降低修改与原来的疟疾风险评估逻辑。这一分析表明,使用这种方法,我们可以修改THINKMD疟疾风险评估算法和使用相同的临床数据集执行统计比较和确认mRDT数据。这逻辑发展的一个重要的新方法,不需要新的领域的研究最初测试集。

生成的验证和比较毫升疟疾风险评估算法与手动开发疟疾风险算法使用mRDT Field-Truth数据

表6总结比较分析基于ML算法使用训练集和单独的原始毫升数据集与实地mRDT数据集。标准的随机森林方法,使用80%的实地数据作为我们毫升训练集和20%的原始数据来测试新生成的ML逻辑。我们观察到98 - 99%相关的ML算法与基于训练数据集字段vs mRDT临床资料结果和在70 - 99%之间相关性毫升疟疾风险算法生成原始临床实地数据集和mRDT没有用于毫升训练的结果。

统计比较THINKMD最初的疟疾风险算法和新生成的ML疟疾风险算法与mRDTs所示表7。性能THINKMD和ML疟疾风险算法分别量化的训练(80%)和测试(20%)的部分数据集。

这些数据显示,新生成的基于THINKMD毫升疟疾风险评估算法的整体改进点护理评估疟疾的风险相比,原THINKMD疟疾风险评估算法用于实地研究。具体来说,我们能够证明,恶性疟疾,即使只有280年“积极的”病人遇到和160年“负面”病人接触,可以生成新的ML算法和测试与以前的研究数据,改进当前THINKMD疟疾风险评估算法。为积极mRDTs毫升显著提高THINKMD疟疾风险评估特异性PPV(36 - 64%)和(43 - 67%)增加了最小灵敏度和NPV。为负mRDTs,毫升显著提高THINKMD疟疾风险评估特异性(70 - 98%),PPV(63 - 87%)和净现值(43 - 75%)的敏感性下降(36 - 29%)。

疾病与非特异性症状、对温度的位置,因为它开门评估可以确定为一个重要的预测在开发新的基于ML的疟疾风险算法。结合位置和数据导致症状表现最好的随机森林模型的样本外F1的分数。敏感性和F1分数增加持续添加了更多的训练数据,表明随机森林模型继续受益于“看到”更多的病人接触。THINKMD疟疾风险算法有更高的特异性,但敏感性显著低于随机森林模型。然而,由此产生的F1分数明显高于随机森林模型。

回顾整体数字温度计的使用在儿童疾病综合管理的工作流标准协商使用温度计温度记录,67年,29%的儿童有积极和消极mRDT结果,分别与61年相比,30%,分别在磋商发烧但是没有温度的历史记录。与温度的温度计THINKMD磋商,38岁,16%的儿童有积极和消极mRDT结果,分别,44%没有mRDT执行。64年THINKMD磋商没有温度计读数,和33%的儿童有积极和消极mRDT结果,分别,2%没有mRDT执行。

进一步评估使用温度计在疟疾的评估风险,数据从一个没有温度计的化学加工与化学加工和温度计的数据。当使用标准的工作流,40%的磋商与温度计收到一封mRDT相比之下,97%的磋商没有温度计,表8。

THINKMD平台数据显示,热与疟疾有关积极和消极mRDT结果,呕吐,头痛在两组是很常见的。

讨论

目前快速发展的数字移动医疗平台及其利用率提高医疗保健服务和访问能力。这样的平台的价值,他们可以发挥关键作用加速扩展的初级卫生保健供给项目利用前线社区卫生工作者,同时保持一致的质量。

执行临床风险评估急性发热性疾病,尤其是疟疾,是重要的以人群为基础的筛选确定高危患者,诊断测试在哪里。2018年,在全球卖出了4.12亿方法(组织,2019年)。因此,在获得这些诊断测试和重要性将他们纳入疟疾风险评估对于改进提供适当的治疗是至关重要的那些有需要的人,同时也减少抗生素等治疗方法的不当利用。

在这项研究中,我们能够证明,利用嵌入式mRDT结果收购导致更好的理解需要特定协议发热性疾病,以及一致的提供和使用必要的工具,就像温度计和快速诊断检测,更依赖于疾病的事实证据,减少对自我报告。这有助于在两个方面,首先,帮助FHW提供更高质量的服务,第二,提高算法来识别特定的发热性疾病使用手动修改或机器学习算法基于测量症候学,地理,和其他风险,更有效率。

潜在的键值的数字“physician-based”贝叶斯综合临床风险评估算法开发和用于THINKMD mHealth平台,他们允许连续评估准确性相比实地真实数据。我们能够快速修改和测试两种不同的疟疾特定逻辑的方法后使用和评估数据的初步分析与诊断证实mRDT测试,我们当前physician-based逻辑方法,和一个新的ML特定的疟疾逻辑使用“前”实地数据集捕获在这个研究。在每种情况下,我们能够显示明显改善了原THINKMD疟疾评估逻辑用于这项研究。这允许连续评估和确定所需的算法根据需要修改,允许后续重新测试使用相同的实地数据集评估如果修改后的算法有所改善的结果。

这种方法的重要性在于,这些修改可以提高迅速立即根据实际现场数据和测试而不需要一个新的野外研究。我们能够证明这一点通过修改原始疟疾风险算法到修改疟疾风险算法和测试和比较后者原算法使用相同的实地临床数据集和关联mRDT真实数据集。这提供了最好的方法执行并排算法可以快速修改,避免延误和费用的一个新的实地研究测试修改后的算法。儿童疾病综合管理和THINKMD疟疾风险评估算法都有优点和缺点与识别的能力,没有疟疾患儿在适当的精度,将导致捕获那些高危儿童应该接受mRDT测试,水平,是经济和现实可行的前线医疗交付项目。

毫升基础临床风险评估算法的发展有巨大的潜力对辨别不同的疾病风险对急性发热性疾病,临床数据元素的高度重叠,对所有可能的病因和诊断测试是昂贵的,而不是普遍可用的。关键是利用这种方法可以将监督毫升统计学习方法作为其基础证明临床验证算法,可以利用实地临床数据,评估数据和field-truth确认诊断数据。当前THINKMD综合临床评估算法的设计要修改如上所述,以及用于开发新的基于ML临床评估算法。在这项研究中,我们可以开发新的监督毫升疟疾风险评估算法使用这种方法,在许多方面大大提高了临床评估的质量。这种方法的附加价值是每个评估可以分析具体如何生成和每个临床数据元素的贡献。这允许为特定的临床评估新的基于ML的算法和它们是如何不同于那些被用于训练。本研究的重要性,这是使用一个小数据集完成555年的临床评估和480 mRDTs管理。

发热性疾病的方法中的一个主要挑战是,发热的表现,是否自我报告测量,预计将导致抗菌药物处方,卫生工作者和护理人员,即使它并不合适。儿童疾病综合管理是不清楚识别那些不需要抗生素,卫生工作者推迟提供抗生素mRDT结果的独立。在一项研究中,以青蒿素为基础的联合疗法(ACTs)规定单独或结合抗生素发生在98.7,18.5和25.8%的患者积极的测试,分别负面测试和那些没有测试(国际药品采购机制,2018)。前线的改善急性发热性风险评估,如疟疾,有可能减少抗菌素耐药性通过更精确的诊断和适当的抗菌药物管理。符合世卫组织建议,在2011年,尼日利亚国家疟疾治疗指南的更新以反映的检测和治疗疟疾政策。虽然这无意中导致了更有针对性的使用行为,在许多国家的过度使用抗生素可观察到疟疾负例(霍普金斯et al ., 2017)。

目前的研究表明,即使在访问短缺mRDTs,使用改进的疟疾风险评估算法,卫生工作者能够完成一个更准确的评估和提供更合适的治疗。

限制

有混杂变量分析疟疾的风险评估和mRDT分析可能影响结果。首先,并不是所有的化学加工配备温度计(n7)= 2。发烧是儿童疾病综合管理疟疾危险的驾驶数据点,这个事实对PPV / NPV的儿童疾病综合管理有很大的影响和THINKMD疟疾风险评估和后续mRDT管理。其次,儿童疾病综合管理阈值为“疟疾风险”中使用了THINKMD mHealth平台触发mRDT面板和确定一个mRDT将管理(热史,腋窝温度高于37.5°C);儿童,儿童疾病综合管理指导方针被认为没有“疟疾的风险”没有收到一个mRDT确认这一评估。此外,正如所有诊断测试,mRDTs假阳性和假阴性。考虑到增加依赖mRDTs临床决策,我们选择使用它们作为评估各种诊断方法的地面实况考虑在我们的分析。然而,未来的工作应该关注mRDT之间的协议(或缺乏),症状评估、PCR和blood-smear-microscopy-based诊断。

值得注意的是,我们目前的主要低风险地区疟疾逻辑测试与医生1000年黄金标准病人遇到90%的时间在五个不同的国家和相关当地医生的评估(Finette et al ., 2019)。上面所示的数据表明,医生/前线卫生专业人员和工人评估疟疾、没有mRDTs的支持有很大的局限性。在这项研究中,我们不能得出这样的结论:如果医生评估疟疾和使用mRDTs,他们将与THINKMD疟疾的风险评估,这一部分的研究是不执行。由于疟疾的风险评估和mRDT数据获得在这项研究中,THINKMD可以检查这些发现并修改其疟疾特定逻辑为了提高所有关键的临床评估参数,根据世卫组织2010年的高、低疟疾风险准则规定需要“提高合理使用行为,所有疟疾疑似病例治疗前应该有一个寄生虫学的确认。

结论

这项研究表明综合临床中使用数字算法如THINKMD mHealth平台可以快速修改和测试使用先前获得的实地临床数据元素和诊断真理mRDTs等数据。快速开发的能力更好的移动医疗的逻辑,不需要新的大规模实地研究测试是小说,可能是极其有价值的开发高质量的前线现场即时临床评估平台复杂临床条件和疾病。这种方法也可以用来开发新的监督毫升基础临床风险评估算法,在长期可能会被证明是更有价值的人口在执行风险评估呼吸窘迫等复杂疾病/肺炎、败血症和区分风险潜在的各种急性发热性疾病。

数据可用性声明

原始数据支持了本文的结论将由作者提供,没有过度的预订。

道德声明

研究涉及人类受试者CHRMS-UVM进行审核和批准,美国和卫生部,卡诺州,尼日利亚。参与者的法定监护人的书面知情同意/近亲不要求参加本研究按照国家法律和制度需求。

作者的贡献

发现,eHA THINKMD导致研究的概念和设计;找到负责提供mRDTs,检查ins与员工在整个研究领域;CHWs eHA领导培训和协调努力下,提供监督整个研究工作,并完成了数据收集;发现,THINKMD NSI表现进行统计分析;NSI集中他们的努力在ML算法进行开发;THINKMD写了初稿的手稿和负责,确保提交坚持所有期刊的要求。所有作者的手稿审查,修改和批准提交的版本。相应的作者负责所有通信与此相关的手稿在同行评审和在出版和出版”应对调查或批评。

资金

这项工作是由基金会提供资助Botnar抗菌素耐药性和全球创新基金(GAMRIF),英国援助计划。投资者没有参与研究设计、收集、分析、解释数据,或者写的手稿。

的利益冲突

男朋友和黑洞都是THINKMD的创始人。毫米和THINKMD EM-F受雇于该公司。KP和SD受雇于公司促进创新诊断方法基金会(发现)。AG),在北半球,FA,助教,NR,受雇于公司电子健康非洲。

其余作者声明,这项研究是在没有进行任何商业或财务关系可能被视为一个潜在的利益冲突。

出版商的注意

本文表达的所有索赔仅代表作者,不一定代表的附属组织,或出版商、编辑和审稿人。任何产品,可以评估在这篇文章中,或声称,可能是由其制造商,不保证或认可的出版商。

确认

研究合作伙伴希望社区卫生工作者表示诚挚的感谢,儿童和家庭参与这项研究。本研究将不可能没有他们的奉献和贡献的意愿。谢谢大家。

补充材料

本文的补充材料在网上可以找到:https://www.雷竞技rebatfrontiersin.org/articles/10.3389/frai.2021.554017/full补充材料

引用