MétaCan
Menu
Retour à la cohorte
Enregistrement W3002372422 · doi:10.1371/journal.pmed.1003023

Isoniazid-resistant tuberculosis: A problem we can no longer ignore

2020· letter· en· W3002372422 sur OpenAlexaff
Giorgia Sulis, Madhukar Pai

Notice bibliographique

RevuePLoS Medicine · 2020
Typeletter
Langueen
DomaineMedicine
ThématiqueTuberculosis Research and Epidemiology
Établissements canadiensMcGill University
Organismes subventionnairesnon disponible
Mots-clésIsoniazidTuberculosisExtensively drug-resistant tuberculosisMedicineGlobal healthIntensive care medicineMycobacterium tuberculosisPublic healthPathology

Résumé

récupéré en direct d'OpenAlex

For decades, people working in tuberculosis (TB) knew that monoresistance to isoniazid (INH) was common.INH has been in clinical use since the 1950s, and drug resistance was expected because its use became widespread.But this knowledge did not necessarily lead to testing for INH-resistant, rifampicin-susceptible TB (Hr-TB) or to the use of special drug regimens for this form of TB.Indeed, for decades, no drug-susceptibility testing (DST) for any drug was done unless patients failed first-line therapy or had risk factors for drug-resistant TB (DR-TB).Simply put, we chose to ignore the problem.When the TB world woke up to the need for universal DST and included it as a key goal in the End TB Strategy released in 2015, the focus became rapid testing for rifampicin resistance (RR) as a means of achieving universal DST.Novel technologies such as Xpert MTB/RIF (Cepheid, Sunnyvale, CA, USA) were rolled out in 2010, but the technology did not include INH-resistance testing [1].Even today, access to any DST remains low, and when performed, DST is often limited to RR [2].In 2020, we can no longer hide from this worrisome problem because Hr-TB is much more common than RR and could seriously jeopardize progress in the fight against TB.This is confirmed by an analysis of aggregated drug resistance data from 2003 to 2017 across 156 countries presented in the accompanying research study by Anna Dean and colleagues in PLOS Medicine, showing that-on average-7.4%(95% CI 6.5-8.4) of new cases and 11.4% (9.4-13.4) of previously treated patients have Hr-TB [3].The overall prevalence of INH resistance (with or without concomitant RR) ranged between 10.7% (9.6-11.9)and 27.2% (24.6-29.9)depending on the treatment history and reached even more alarming levels in certain countries, particularly in the European and Western Pacific regions.The analysis by Dean and colleagues highlights major flaws in national surveillance systems, which go hand in hand with limited laboratory capacity.The small sample sizes available from some countries make national prevalence estimates imprecise.Furthermore, the diversity of detection methods employed across settings along with the widespread lack of quality control underscores the need for improved surveillance by countries.From a clinical standpoint, if INH resistance is not detected, new patients are managed as if they had pansusceptible TB, with a substantially increased risk of treatment failure or relapse and a greater propensity to acquire further resistance [4].Yet, most research and policy efforts so far have been focused solely on RR as a proxy for multidrug-resistant (MDR)-TB.This means that hundreds of thousands of patients with Hr-TB are staying in the shadows, not receiving appropriate care, and all too often ending up developing MDR-TB.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,008
score de la tête « metaresearch » (Gemma)0,044
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Commentaire · Signal consensuel: Commentaire
Score de désaccord entre enseignants0,062
Score d'incertitude au seuil0,042

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0080,044
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0020,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0060,008
Communication savante0,0060,015
Science ouverte0,0020,004
Intégrité de la recherche0,0620,066
Charge utile insuffisante (le modèle a refusé de juger)0,0100,011

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.

Tête enseignante Opus0,048
Tête enseignante GPT0,304
Écart entre enseignants0,256 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreCommentaire

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations57
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePLoS MedicineMême sujetTuberculosis Research and EpidemiologyTravaux en français237 207