Strengthening health systems to improve the value of tuberculosis diagnostics in South Africa: A cost and cost-effectiveness analysis
Notice bibliographique
Résumé
BACKGROUND: In South Africa, replacing smear microscopy with Xpert-MTB/RIF (Xpert) for tuberculosis diagnosis did not reduce mortality and was cost-neutral. The unchanged mortality has been attributed to suboptimal Xpert implementation. We developed a mathematical model to explore how complementary investments may improve cost-effectiveness of the tuberculosis diagnostic algorithm. METHODS: Complementary investments in the tuberculosis diagnostic pathway were compared to the status quo. Investment scenarios following an initial Xpert test included actions to reduce pre-treatment loss-to-follow-up; supporting same-day clinical diagnosis of tuberculosis after a negative result; and improving access to further tuberculosis diagnostic tests following a negative result. We estimated costs, deaths and disability-adjusted-life-years (DALYs) averted from provider and societal perspectives. Sensitivity analyses explored the mediating influence of behavioural, disease- and organisational characteristics on investment effectiveness. FINDINGS: Among a cohort of symptomatic patients tested for tuberculosis, with an estimated active tuberculosis prevalence of 13%, reducing pre-treatment loss-to-follow-up from ~20% to ~0% led to a 4% (uncertainty interval [UI] 3; 4%) reduction in mortality compared to the Xpert scenario. Improving access to further tuberculosis diagnostic tests from ~4% to 90% among those with an initial negative Xpert result reduced overall mortality by 28% (UI 27; 28) at $39.70/ DALY averted. Effectiveness of investment scenarios to improve access to further diagnostic tests was dependent on a high return rate for follow-up visits. INTERPRETATION: Investing in direct and indirect costs to support the TB diagnostic pathway is potentially highly cost-effective.
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 | 0,010 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,004 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».