Development, roll-out and impact of Xpert MTB/RIF for tuberculosis: what lessons have we learnt and how can we do better?
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The global roll-out of Xpert MTB/RIF (Cepheid Inc., Sunnyvale, CA, USA) has changed the diagnostic landscape of tuberculosis (TB). More than 16 million tests have been performed in 122 countries since 2011, and detection of multidrug-resistant TB has increased three- to eight-fold compared to conventional testing. The roll-out has galvanised stakeholders, from donors to civil society, and paved the way for universal drug susceptibility testing. It has attracted new product developers to TB, resulting in a robust molecular diagnostics pipeline. However, the roll-out has also highlighted gaps that have constrained scale-up and limited impact on patient outcomes. The roll-out has been hampered by high costs for under-funded programmes, unavailability of a complete solution package (notably comprehensive training, quality assurance, implementation plans, inadequate service and maintenance support) and lack of impact assessment. Insufficient focus has been afforded to effective linkage to care of diagnosed patients, and clinical impact has been blunted by weak health systems. In many countries the private sector plays a dominant role in TB control, yet this sector has limited access to subsidised pricing. In light of these lessons, we advocate for a comprehensive diagnostics implementation approach, including increased engagement of in-country stakeholders for product launch and roll-out, broader systems strengthening in preparation for new technologies, as well as quality impact data from programmatic settings.
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.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| 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 découle