Does intensified case finding increase tuberculosis case notification among children in resource-poor settings? A report from Nigeria
Notice bibliographique
Résumé
OBJECTIVE/BACKGROUND: Tuberculosis (TB) is a major cause of morbidity and mortality in developing countries. Passive case detection in national TB programmes is associated with low case notification, especially in children. This study was undertaken to improve detection of childhood TB in resource-poor settings through intensified case-finding strategies. METHODS: A community-based intervention was carried out in six states in Nigeria. The creation of TB awareness was undertaken, and work aids, guidelines, and diagnostic charts were produced, distributed, and used. Various cadres of health workers and ad hoc project staff were trained. Child contacts with TB patients were screened in their homes, and children presenting at various hospital units were screened for TB. Baseline and intervention data were collected for evaluation populations and control populations. RESULTS: Detection of childhood TB increased in the evaluation population during the intervention, with a mean quarterly increase of 4.0% [new smear positive (NSP), although the increasing trend was not statistically significant (χ(2)=1.8; p<.179)]. Additionally, there was a mean quarterly increase of 3% for all forms of TB, although the trend was not statistically significant (χ(2)=1.48; p<.224). Conversely, there was a decrease in case notification in the control population, with a mean decline of 3% (all forms). Compared to the baseline, there was an increase of 31% (all forms) and 22% (NSP) in the evaluation population. CONCLUSION: Intensified case finding combined with capacity building, provision of work aids/guidelines, and TB health education can improve childhood-TB 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 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 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,001 |
| 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 ».