Evaluating the Effectiveness of Contact Tracing on Tuberculosis Outcomes in Saskatchewan Using Individual-Based Modeling
Notice bibliographique
Résumé
Tuberculosis (TB) is a potentially fatal disease spread by an airborne pathogen infecting approximately one third of the globe. For decades, contact tracing (CT) has served a key role in the control of TB and many other notifiable communicable diseases. Unfortunately, CT is a labor-intensive and time-consuming process and is often conducted by a small and overworked nursing staff. To help improve the effectiveness of CT, we introduce a detailed, individual-based model of CT for the Canadian province of Saskatchewan. The model captures the detailed operation of TB CT, including loss to follow-up, and prophylactic and case treatment. This representation is used to assess the impact on active TB cases and TB infection prevalence of differential scoping, speed, prioritization of the CT process, and reduced loss to follow-up. Scenario results are broadly consistent with--but provide many additional insights beyond--our previously reported findings using an aggregate model. In the context of a stylized northern community, findings suggest that age- and ethnicity-prioritized schemes could improve CT effectiveness compared to unprioritized schemes by dramatically reducing TB infection and preventing on average roughly 11% (p < .0001) of active TB cases over a period of 20 years. Reducing loss to follow-up to 10% could yield 5.4% (p = .02) TB cases prevented on average with lower prevalence of TB infection, but improving the CT speed does not yield significant improvement in TB outcomes. Finally, although the work emphasized the value of social network analysis, we found that caution should be exercised in directly translating social network analysis-observed associations into prioritization recommendations.
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 | 0,002 | 0,000 |
| 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 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».