Evaluation of community-based interventions to improve TB case detection in a rural district of Tanzania
Notice bibliographique
Résumé
In Tanzania, people with tuberculosis (TB) commonly self-medicate or visit traditional healers before seeking formal medical care. Between 2009 and 2011, we piloted a community-based project in Kisarawe District to improve TB case notification. The project trained 15 traditional healers and 15 pharmacists to identify and refer individuals with TB symptoms to diagnostic facilities. In addition, the project trained 2 community members to collect and fix sputum from symptomatic individuals onto slides, which they then delivered by bicycle to the nearest diagnostic facility. To determine effectiveness, we analyzed routine case detection data and referrals from traditional healers and pharmacists and conducted a cross-sectional survey of recently diagnosed smear-positive TB patients (N = 150) to understand their treatment-seeking behavior. From 2009 to 2011, smear-positive TB case notification increased by 68% in Kisarawe District, from 28/100,000 to 47/100,000, even while TB case notification nationally stayed the same (at approximately 14/100,000). The traditional healers and pharmacists referred 434 people with presumptive TB to diagnostic facilities, 419 of whom (97%) went to the facilities; of those who went to facilities for testing, 104 people (25%) were diagnosed with TB. The percentage of new TB case notifications that were referred through the network ranged from 38% to 70% per reporting quarter. Sputum fixers collected and delivered specimens from 178 individuals, 17 of whom (10%) were diagnosed with TB. Almost 60% of surveyed smear-positive TB patients first visited a pharmacist or traditional healer before seeking care at a diagnostic facility. These results prompted scale up of community interventions to 9 more districts in 2011 and to another 26 districts in 2013. Establishing referral networks that bring TB information and services closer to community members can contribute to improved TB case notification.
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 | 0,006 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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) | 0,003 | 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 ».