Do We Need to Detect Isoniazid Resistance in Addition to Rifampicin Resistance in Diagnostic Tests for Tuberculosis?
Notice bibliographique
Résumé
BACKGROUND: Multidrug-resistant tuberculosis (MDR-TB) is resistant to both rifampicin (RIF) and isoniazid (INH). Whereas many TB diagnostics detect RIF-resistance, few detect INH-monoresistance, which is common and may increase risk of acquired MDR-TB. Whether inclusion of INH-resistance in a first-line rapid test for TB would have an important impact on MDR-TB rates remains uncertain. METHODS: WE DEVELOPED A TRANSMISSION MODEL TO EVALUATE THREE TESTS IN A POPULATION SIMILAR TO THAT OF INDIA: a rapid molecular test for TB, the same test plus RIF-resistance detection ("TB+RIF"), and detection of RIF and INH-resistance ("TB+RIF/INH"). Our primary outcome was the prevalence of INH-resistant and MDR-TB at ten years. RESULTS: Compared to the TB test alone and assuming treatment of all diagnosed MDR cases, the TB+RIF test reduced the prevalence of MDR-TB among all TB cases from 5.5% to 3.8% (30.6% reduction, 95% uncertainty range, UR: 17-54%). Despite using liberal assumptions about the impact of INH-monoresistance on treatment outcomes and MDR-TB acquisition, expansion from TB+RIF to TB+RIF/INH lowered this prevalence only from 3.8% to 3.6% further (4% reduction, 95% UR: 3-7%) and INH-monoresistant TB from 15.8% to 15.1% (4% reduction, 95% UR: (-8)-19%). CONCLUSION: When added to a rapid test for TB plus RIF-resistance, detection of INH-resistance has minimal impact on transmission of TB, MDR-TB, and INH-monoresistant TB.
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 | 0,050 | 0,235 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,005 |
| Communication savante | 0,004 | 0,008 |
| Science ouverte | 0,005 | 0,002 |
| Intégrité de la recherche | 0,008 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».