Reducing microscopy-based malaria misdiagnosis in a low-resource area of Tanzania
Notice bibliographique
Résumé
Misdiagnosis of malaria is a major problem in Africa leading not only to incorrect individual level treatment, but potentially the acceleration of the spread of drug resistance in low-transmission areas. In this paper we report on the outcomes of a simple intervention that utilized a social entrepreneurship approach (SEA) to reduce misdiagnosis associated with hospital-based microscopy of malaria in a low-transmission area of rural Tanzania. A pre-post assessment was conducted on patients presenting to the hospital outpatient department with malaria and non-malaria like symptoms in January 2009 (pre-intervention) and June 2009 (post-intervention). All participants were asked a health seeking behavior questionnaire and blood samples were taken for local and quality control microscopy. Multivariate logistic regression was conducted to determine magnitude of misdiagnosis with local microscopy pre- versus- post intervention. Local microscopy pre-intervention specificity was 29.5% (95% CI = 21.6% - 38.4%) whereas the post intervention specificity was 68.6% (95% CI = 60.2% - 76.2%). Both pre and post intervention sensitivity were difficult to determine due to an unexpected low number of true positive cases. The proportion of participants misdiagnosed pre-intervention was 70.2% (95%CI = 61.3%-78.0%) as compared to 30.6% (95%CI = 23.2%-38.8%) post-intervention. This resulted in a 39.6% reduction in misdiagnosis of malaria at the local hospital. The magnitude of misdiagnosis for the pre-intervention participants was 5.3 (95%CI = 3.1-9.3) that of the post-intervention participants. In conclusion, this study provides evidence that a simple intervention can meaningfully reduce the magnitude of microscopy-based misdiagnosis of malaria for those individuals seeking treatment for uncomplicated malaria. We anticipate that this intervention will facilitate a valuable and sustainable change in malaria diagnosis at the local hospital.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».