Please use this identifier to cite or link to this item:
SCREENING FOR ACTIVE PULMONARY TUBERCULOSIS: DEVELOPMENT AND APPLICABILITY OF ARTIFICIAL NEURAL NETWORK MODELS
Author
Affilliation
Abstract in Portuguese
A tuberculose (TB) continua sendo um desafio significativo para a saúde pública, motivado pela diversidade de cenários epidemiológicos de assistência médica, como outros fatores. A triagem custo-efetiva tem importância substancial para o controle da TB, exigindo novas ferramentas de diagnóstico. Este artigo propõe uma ferramenta de suporte à decisão (DST) para triagem de pacientes com TB pulmonar (PTB) em uma clínica secundária. A DST é composta por um modelo de ressonância adaptativa (iART) para identificação de grupos de risco (baixo, médio e alto) e uma rede neural perceptron multicamadas (MLP) para classificar pacientes como PTB ativo ou inativo. Nossa ferramenta atinge uma sensibilidade geral (SE) e especificidade (SP) de 92% (IC de 95%; 79-97) e 58% (IC de 95%; 47-68), respectivamente. Os valores de SE para pacientes com esfregaço positivo e negativo são 96% (IC de 95%; 80-99) e 82% (IC de 95%; 52-95), bem como maiores que 83% (IC de 95%; 43-97) em casos de baixo e alto risco. Mesmo em cenários com prevalência de até 20%, valores preditivos negativos superiores a 95% são obtidos. O DST proposto fornece um pré-teste rápido e de baixo custo para pacientes com PTB presuntivo, o que é útil para orientar testes confirmatórios e gerenciamento de pacientes, especialmente em cenários com recursos limitados em países de baixa e média renda.
Abstract
Tuberculosis (TB) remains a significant public health challenge, motivated by the diversity of healthcare epidemiological settings, as other factors. Cost-effective screening has substantial importance for TB control, demanding new diagnostic tools. This paper proposes a decision support tool (DST) for screening pulmonary TB (PTB) patients at a secondary clinic. The DST is composed of an adaptive resonance model (iART) for risk group identification (low, medium and high) and a multilayer perceptron (MLP) neural network for classifying patients as active or inactive PTB. Our tool attains an overall sensitivity (SE) and specificity (SP) of 92% (95% CI; 79-97) and 58% (95% CI; 47-68), respectively. SE values for smear-positive and smear-negative patients are 96% (95% CI; 80-99) and 82% (95% CI; 52-95), as well as higher than 83% (95% CI; 43-97) in low and high-risk cases. Even in scenarios with prevalence up to 20%, negative predictive values superior to 95% are obtained. The proposed DST provides a quick and low-cost pretest for presumptive PTB patients, which is useful to guide confirmatory testing and patient management, especially in settings with limited resources in low and middle-incoming countries.
Share