Mobile phone short message service for adherence support and care of patients with tuberculosis infection: Evidence and opportunity
Notice bibliographique
Résumé
To attain the Global End Tuberculosis (TB) goals, the treatment of persons with TB requires advancements in coordinated approaches that are low-cost and highly accessible. Treating TB successfully requires prolonged medication regimens with good adherence, which in turn requires patients to be adequately supported. Furthermore, TB care-providers often wish to monitor treatment-taking by patients in order to track the success of their programs and ensure adequate completion of therapies by individuals. The standard-of-care for treatment monitoring in TB programs often includes directly observed therapy (DOT). Video observed therapy (VOT) has emerged as a method to mimic in-person visits or observations, especially in the smartphone era with internet data connections, but remains simply inaccessible to patients in areas where TB is most endemic. Both approaches may be considered more intensive than necessary for many patients, leaving an opportunity for more affordable and acceptable approaches. The rapid increase in mobile phone penetration provides an opportunity to reach patients between clinical visits. Short message services (SMS) are available on almost every mobile phone and are supported by first generation cellular communication networks, thus providing the farthest reach and penetration globally. Evidence from non-TB conditions suggests SMS, used in a variety of ways, may support outpatients for better medication adherence and quality of care but the evidence in TB remains limited. In this paper, we discuss how basic mobile phones and SMS-related services may be used in supporting global care of persons with TB, with a focus on patient-centered approaches.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 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 | 0,001 | 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 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 ».