Evaluating the cost-effectiveness of TB diagnostic strategies in HIV-positive patients in Lusaka, Zambia
Notice bibliographique
Résumé
Background: Zambia is a high burden country for both human immunodeficiency virus (HIV) and tuberculosis (TB) infection and HIV clinic enrollees are a high-risk group for active TB. The advent of low-cost rapid-diagnostic technologies for TB, such as the Gene Xpert MTB/RIF assay and microscopic-observation drug-susceptibility (MODS) culture, suggest an affordable and promising diagnostic method to quickly identify and treat cases, but the cost-effectiveness of these tests are not well-established in high burden areas with a high prevalence of HIV. Methods: The objective of this study was to determine the cost-effectiveness of different TB diagnostic strategies in a cohort of HIV-infected patients in Lusaka. A cost-effectiveness analysis (CEA) was carried out using decision analysis modeling. Using the cohort proportions of HIV clinic enrollees at the Centre for Infectious Disease Research in Zambia (CIDRZ), the analysis compared the following strategies: standard of care TB diagnosis (a combination of symptom screening, sputum smear microscopy, and chest x-ray in a diagnostic algorithm), enhanced TB screening (symptom screening, sputum smear microscopy, chest x-ray and TB culture), Gene Xpert MTB/RIF Assay, MODS, and empiric treatment. Outcomes analyzed were number of cases of active pulmonary TB diagnosed and incremental cost-effectiveness ratios (ICERS). Results: Preliminary results from the base case analysis found that the standard of care was US$75.74 per case of TB detected, US$327.80 per case detected using enhanced screening, US$108.90 per case detected using Xpert, and US$41.74 per case detected using MODS. The ICERS ranged from US$34.00 per case averted using MODS or Xpert to US$252.00 per case averted using enhanced screening, where the standard of care was the comparison group. Conclusion: The decision analysis model suggests that using rapid diagnostics, particularly MODS, is very cost-effective for diagnosing TB in HIV clinic enrollees in Lusaka, Zambia.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».