Tuberculosis Diagnostics in 2015: Landscape, Priorities, Needs, and Prospects
Notice bibliographique
Résumé
In 2015, tuberculosis remains a major global health problem, and drug-resistant tuberculosis is a growing threat. Although tuberculosis diagnosis in many countries is still reliant on older tools, new diagnostics are changing the landscape. Stimulated, in part, by the success and roll out of Xpert MTB/RIF, there is now considerable interest in new technologies. The landscape looks promising, with a robust pipeline of new tools, particularly molecular diagnostics, and well over 50 companies actively engaged in product development. However, new diagnostics are yet to reach scale, and there needs to be greater convergence between diagnostics development and development of shorter-duration tuberculosis drug regimens. Another concern is the relative absence of non-sputum-based diagnostics in the pipeline for children and of biomarker tests for triage, cure, and progression of latent Mycobacterium tuberculosis infection. Several initiatives, described in this supplement, have been launched to further stimulate product development and policy, including assessment of needs and priorities, development of target product profiles, compilation of data on resistance-associated mutations, and assessment of market size and potential for new diagnostics. Advocacy is needed to increase funding for tuberculosis research and development, and governments in high-burden countries must invest more in tuberculosis control to meet post-2015 targets for care, control, and prevention.
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 | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».