Feasibility and Effectiveness of Mobile App for Active Case Finding for Tuberculosis in India
Notice bibliographique
Résumé
Background: Tuberculosis (TB) is an infectious disease with 2.8 million cases and 480,000 deaths each year in India. The city of Indore alone with a population of 3.5 million had 7,839 identified TB cases in 2017. However, about two to three thousand additional cases remain unidentified per district officials. The unidentified cases lead to an endemic TB and hamper the efforts of organizations such as The Collaborative to Eliminate TB from India (CETI) to reduce the incidence of TB with the method of Active Case Finding (ACF).1 Previously, 1,332 mobile apps attempted to use technology to overcome the challenge of unreported TB patients in Indian slum areas due to the inaccurate, lost, or unhelpful data collected in ACF; yet the existing apps for TB prevention and treatment possessed minimal functionality. Over a period of 3 months, the CETI developed a mobile data collection app to generate a TB diagnostic survey and to collect data from patient registration form.
 Methods: To study the feasibility and effectiveness of the app, a pilot survey was conducted of 163,496 homes covering a population of 828,020 in the slum areas of Indore and Bhopal.
 Findings: Between the years of 2018 and 2019, 14,349 pulmonary suspected cases and 4,357 extra pulmonary suspected cases of TB were identified. Among the total of 18,706 cases identified, 7,756 patients (48.1%) had low-grade fever for over 2 weeks, 6,331 patients (39.2%) had persistent cough for more than 2 weeks, 7,693 patients (47.7%) had weight loss, and 251 patients (1.6%) had cough with blood.
 Interpretation: This pilot experience shows that an app is a useful tool for TB case recording and follow-up in the field. Further training of the health workers, and more widespread availability and ease of use of mobile phones will be necessary.
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 | 0,003 | 0,001 |
| 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 | 0,001 | 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 | 0,000 |
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 ».