Tuberculosis Diagnostics: State of the Art and Future Directions
Notice bibliographique
Résumé
Rapid and accurate diagnosis is critical for timely initiation of anti-tuberculosis (TB) treatment, but many people with TB (or TB symptoms) do not have access to adequate initial diagnosis. In many countries, TB diagnosis is still reliant on sputum microscopy, a test with known limitations. However, new diagnostics are starting to change the landscape. Stimulated, in part, by the success and rollout of Xpert MTB/RIF, an automated, molecular test, there is now considerable interest in new technologies. The landscape looks promising with a pipeline of new tools, particularly molecular diagnostics, and well over 50 companies actively engaged in product development, and many tests have been reviewed by WHO for policy endorsement. However, new diagnostics are yet to reach scale, and there needs to be greater convergence between diagnostics development and the development of shorter TB drug regimens. Another concern is the relative absence of non-sputum-based diagnostics in the pipeline for children, and of biomarker tests for triage, cure, and latent TB progression. Increased investments are necessary to support biomarker discovery, validation, and translation into clinical tools. While transformative tools are being developed, high-burden countries will need to improve the efficiency of their health care delivery systems, ensure better uptake of new technologies, and achieve greater linkages across the TB and HIV care continuum. While we wait for next-generation technologies, national TB programs must scale up the best diagnostics currently available, and use implementation science to get the maximum impact.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,019 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,005 |
| Communication savante | 0,008 | 0,012 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,009 | 0,010 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,024 | 0,010 |
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 source (Gemma direct ou Codex distillé), 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 ».