Tuberculosis: treatment failure, or failure to treat? Lessons from India and South Africa
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
Tuberculosis (TB) remains an enormous public health concern globally. India and South Africa rank among the top 10 high TB burden countries with the highest absolute burden of TB, and the second highest rate of TB incidence, respectively. Although the primary drivers of TB transmission vary considerably between these two countries, they do indeed share common themes. In 2017, only 64% of the global estimated incident cases of TB were reported, the remaining 36% of 'missing' cases were either undiagnosed, untreated or unreported. These 'missing TB cases' have generated much hype for the challenges they present in achieving the End TB Strategy. Although India and South Africa have indeed made significant strides in TB control, analysis of the patient cascade of care clearly suggests that these 'missed' patients are not really missing-most are actively engaging the health system-the system, however, is failing to appropriately manage them. In short, quality of TB care is suboptimal and must urgently be addressed, merely focusing on coverage of TB services is no longer sufficient. While the world awaits revolutionary vaccines, drugs and diagnostics, programmatic data indicate that much can be done to accelerate the decline of TB. In this perspective, we compare and contrast these two national epidemics, and explore barriers, with a particular focus on the role of health systems in finding the missing millions.
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 | 0,000 | 0,000 |
| 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 | 0,002 |
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