Yield of tuberculin screening among injection drug users.
Notice bibliographique
Résumé
BACKGROUND: Regardless of their HIV status, injection drug users (IDUs) are at increased risk of developing active tuberculosis (TB) if they have latent TB infection (LTBI). We quantified the prevalence and predictors of LTBI and level of adherence to medical evaluation in a population of IDUs in Montreal. METHODS: Participants were recruited from an ongoing dynamic cohort of IDUs followed for HIV seroconversion risk behaviour. Subjects with a tuberculin skin test (TST) of > or =5 mm were referred to designated TB clinics for medical evaluation. A financial incentive was provided for TST readings. RESULTS: Of the 262 subjects tested, 246 (94%) returned for TST reading. The overall prevalence of positive TSTs was 22% (5% in HIV-positive, 28% in HIV-negative participants). Older age at first injection drug use (OR per 10 year increase in age 1.4, 95%CI 1.2-1.8), duration of injection drug use (OR per 10 year increase 1.6, 9.5%CI 1.5-2.2) and negative HIV status (OR 11.2, 95%CI 3.2-4.0) were independent predictors of a positive TST. Nine per cent of all TST-positive participants completed LTBI treatment. CONCLUSION: TB screening activities with incentives can be successful in detecting TST-positive individuals, but better strategies are needed for medical follow-up in this high-risk group.
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 | 0,000 | 0,001 |
| 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 ».