Active TB case finding in a high burden setting; comparison of community and facility-based strategies in Lusaka, Zambia
Notice bibliographique
Résumé
INTRODUCTION: We conducted an implementation science study to increase TB case detection through a combination of interventions at health facility and community levels. We determined the impact of the study in terms of additional cases detected and notification rate and compared the yield of bacteriologically confirmed TB of facility based and community based case finding. METHODOLOGY: Over a period of 18 months, similar case finding activities were conducted at George health facility in Lusaka Zambia and its catchment community, an informal peri-urban settlement. Activities included awareness and demand creation activities, TB screening with digital chest x-ray or symptom screening, sputum evaluation using geneXpert MTB/RIF, TB diagnosis and linkage to treatment. RESULTS: A total of 18,194 individuals were screened of which 9,846 (54.1%) were screened at the facility and 8,348 (45.9%) were screened in the community. The total number of TB cases diagnosed during the intervention period were 1,026, compared to 759 in the pre-intervention period; an additional 267 TB cases were diagnosed. Of the 563 bacteriologically confirmed TB cases diagnosed under the study, 515/563 (91.5%) and 48/563 (8.5%) were identified at the facility and in the community respectively (P<0.0001). The TB notification rate increased from 246 per 100,000 population pre-intervention to 395 per 100,000 population in the last year of the intervention. CONCLUSIONS: Facility active case finding was more effective in detecting TB cases than community active case finding. Strengthening health systems to appropriately identify and evaluate patients for TB needs to be optimised in high burden settings. At a minimum, provider initiated TB symptom screening with completion of the TB screening and diagnostic cascade should be provided at the health facility in high burden settings. Community screening needs to be systematic and targeted at high risk groups and communities with access barriers.
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 | 0,004 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».