Factors influencing diagnosis and treatment initiation for multidrug-resistant/rifampicin-resistant tuberculosis in six sub-Saharan African countries: a mixed-methods systematic review
Notice bibliographique
Résumé
BACKGROUND: Drug-resistant tuberculosis burdens fragile health systems in sub-Saharan Africa (SSA), complicated by high prevalence of HIV. Several African countries reported large gaps between estimated incidence and diagnosed or treated cases. Our review aimed to identify barriers and facilitators influencing diagnosis and treatment for drug-resistant tuberculosis (DR-TB) in SSA, which is necessary to develop effective strategies to find the missing incident cases and improve quality of care. METHODS: Using an integrative design, we reviewed and narratively synthesised qualitative, quantitative and mixed-methods studies from nine electronic databases: Medline, Global Health, CINAHL, EMBASE, Scopus, Web of Science, International Journal of Tuberculosis and Lung Disease, PubMed and Google Scholar (January 2006 to June 2019). RESULTS: Of 3181 original studies identified, 55 full texts were screened, and 29 retained. The studies included were from 6 countries, mostly South Africa. Barriers and facilitators to DR-TB care were identified at the health system and patient levels. Predominant health system barriers were laboratory operational issues, provider knowledge and attitudes and information management. Facilitators included GeneXpert MTB/RIF (Xpert) diagnosis and decentralisation of services. At the patient level, predominant barriers were patients being lost to follow-up or dying due to lengthy diagnostic and treatment delays, negative public sector care perceptions, family, work or school commitments and using private sector care. Some patient-level facilitators were HIV positivity and having more symptoms. CONCLUSION: Case detection and treatment for DR -TB in SSA currently relies on individual patients presenting voluntarily to the hospital for care. Specific interventions targeting identified barriers may improve rates and timeliness of detection and treatment.
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 | 0,017 | 0,065 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,008 | 0,007 |
| Bibliométrie | 0,015 | 0,018 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».