The performance and yield of tuberculosis testing algorithms using microscopy, chest x-ray, and Xpert MTB/RIF
Notice bibliographique
Résumé
SETTING: The introduction of Xpert MTB/RIF (Xpert) and renewed interest in chest x-ray (CXR) for tuberculosis testing has provided additional choices to the smear-based diagnostic algorithms used by TB programs previously. More programmatic data is needed to better understand the implications of possible approaches. OBJECTIVE: We sought to evaluate how different testing algorithms using microscopy, Xpert and CXR impacted the number of people detected with TB in a district hospital in Nepal. DESIGN: Consecutively recruited patients with TB-related symptoms were offered smear microscopy, CXR and Xpert. We tested six hypothetical algorithms and compared yield, bacteriologically positive (Bac+) cases missed, and tests conducted. RESULTS: = 161). Smear microscopy detected 121 (75.2% of Bac+). Depending on the radiologists' interpretation of CXR, Xpert testing could be reduced by (31%-60%). Smear microscopy reduced Xpert cartridge need slightly, but increased the overall diagnostic tests performed. CONCLUSION: Xpert detected a large proportion of Bac+ TB cases missed by microscopy. CXR was useful in greatly reducing the number of diagnostic tests needed even among presumptive TB patients. Loose CXR readings should be used to identify more people for TB testing. More analysis of costs and standardized CXR reading should be considered.
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 | 0,007 |
| 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 | 0,001 |
| 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 ».