Cost-effectiveness of triage testing for facility-based systematic screening of tuberculosis among Ugandan adults
Notice bibliographique
Résumé
BACKGROUND: Systematic screening is often proposed as a way to improve case finding for tuberculosis (TB), but the cost-effectiveness of specific strategies for systematic screening remains poorly studied. METHODS: We constructed a Markov-based decision analytic model to analyse the cost-effectiveness of triage testing for TB in Uganda, compared against passive case detection with Xpert MTB/RIF. We assumed a triage algorithm whereby all adults presenting to healthcare centres would be screened for cough, and those with cough of at least 2 weeks would receive the triage test, with positive triage results confirmed by Xpert MTB/RIF. We adopted the perspective of the TB control sector, using a primary outcome of the cost per year of life gained (YLG) over a lifetime time horizon. RESULTS: Systematic screening in a population with a 5% underlying prevalence of TB was estimated to cost US$610 per YLG (95% uncertainty range US$200-US$1859) with chest X-ray (CXR) (US$5 per test, specificity 0.67), or US$588 (US$221-US$1746) with C reactive protein (CRP) (US$3 per test, specificity 0.59). In addition to the cost and specificity of the triage test, cost-effectiveness was most sensitive to the underlying prevalence of TB, monthly risk of mortality in people with untreated TB and the proportion of patients with TB who would be treated in the absence of systematic screening. CONCLUSIONS: To optimise the cost-effectiveness of facility-based systematic screening of TB with a triage test, it must be carried out in a high-risk population, or use triage tests that are cheaper or more specific than CXR or CRP.
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 | 0,007 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».