Tuberculosis screening costs and cost-effectiveness in high-risk groups: a systematic review
Notice bibliographique
Résumé
BACKGROUND: Systematic screening for active tuberculosis (TB) is a strategy which requires the health system to seek out individuals, rather than waiting for individuals to self-present with symptoms (i.e., passive case finding). Our review aimed to summarize the current economic evidence and understand the costs and cost-effectiveness of systematic screening approaches among high-risk groups and settings. METHODS: We conducted a systematic review on economic evaluations of screening for TB disease targeting persons with clinical and/or structural risk factors, such as persons living with HIV (PLHIV) or persons experiencing homelessness. We searched three databases for studies published between January 1, 2010 and February 1, 2020. Studies were included if they reported cost and a key outcome measure. Owing to considerable heterogeneity in settings and type of screening strategy, we synthesized data descriptively. RESULTS: A total of 27 articles were included in our review; 19/27 (70%) took place in high TB burden countries. Seventeen studies took place among persons with clinical risk factors, including 14 among PLHIV, while 13 studies were among persons with structural risk factors. Nine studies reported incremental cost-effectiveness ratios (ICERs) ranging from US$51 to $1980 per disability-adjusted life year (DALY) averted. Screening was most cost-effective among PLHIV. Among persons with clinical and structural risk factors there was limited evidence, but screening was generally not shown to be cost-effective. CONCLUSIONS: Studies showed that screening is most likely to be cost-effective in a high TB prevalence population. Our review highlights that to reach the "missing millions" TB programmes should focus on simple, cheaper initial screening tools (i.e., symptom screen and CXR) followed by molecular diagnostic tools (i.e., Xpert®) among the highest risk groups in the local setting (i.e., PLHIV, urban slums). Programmatic costs greatly impact cost-effectiveness thus future research should provide both fixed and variable costs of screening interventions to improve comparability.
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 | 0,002 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,008 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».