Tuberculosis diagnostics: which target product profiles should be prioritised?
Notice bibliographique
Résumé
To the Editor: Globally, a third of all tuberculosis (TB) cases are not notified and many patients do not receive drug susceptibility testing (DST) [1]. New diagnostics can contribute to increased case detection, shorter diagnostic delay and reduced TB transmission. While the Xpert MTB/RIF assay (Cepheid Inc., Sunnyvale, CA, USA) is a much needed breakthrough [2], it may not reach lower tiers of the healthcare system [3] and doesn’t meet all needs ( e.g. cannot detect resistance against multiple drugs). Several promising diagnostics are under development and companies are showing interest in TB products, inspired by the success of Xpert MTB/RIF [4]. But which new TB diagnostics should they invest in, and what is the potential market size for these products? Stakeholders have expressed a need for different products, including a test for childhood TB [5], a simple point-of-care-test for active pulmonary TB [6], a molecular smear replacement test [7], DST for expected new drug regimens [8], predictive biomarkers for latent TB infection (LTBI) [9], and treatment monitoring [10]. Given the variety of these needs, it is important for product developers to have access to: 1) a clearly identified list of diagnostics that are considered high priority by the TB community; 2) well developed, detailed target product profiles (TPPs) for priority diagnostics; and 3) up-to-date market size estimates for the priority TPPs. These issues are being addressed by ongoing activities, supported by the Bill and Melinda Gates Foundation (Seattle, WA, USA) and other partners [3, 7, 11]. TPPs are useful to align the end-users needs …
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,013 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,002 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».