Attributable is Preventable: Corrected and revised estimates of population attributable fraction of TB related to undernutrition in 30 high TB burden countries
Notice bibliographique
Résumé
Abstract Introduction The Global TB Report 2020 estimated the population attributable fractions (PAF) for the major risk factors of TB. Undernourishment emerged as the leading risk factor accounting for 19% of the cases. The WHO however used the terms undernourishment and undernutrition interchangeably in its computation of PAF. Undernourishment is an indirect model derived estimate of decreased per capita energy availability, while undernutrition is defined by direct anthropometric measurements of nutritional status. Methods We re-estimated the PAF of undernutrition (instead of undernourishment) in 30 high TB burden countries, using the prevalence of undernutrition (age standardized estimate of BMI < 18.5 kg/m 2 in adults for both sexes), and the relative risk (RR) of 3.2. Further, we revised PAF estimates of undernutrition with an RR of 4.49, in light of recent evidence. Findings Twenty four percent of TB in high burden countries is attributable to undernutrition. The PAF of undernutrition was highest in Asian countries, unlike the PAF of undernourishment that was highest in Africa. The corrected estimate led up to 65% increase in number of cases attributable to undernutrition in Asian countries. More than one-third to nearly half of TB cases in India could be attributable to undernutrition. Interpretation Estimation of the PAF of TB related to undernutrition is methodologically valid and operationally relevant, rather than PAF related to undernourishment. Addressing undernutrition, the leading driver of TB in high TB burden countries (especially Asia) could enable achievement of END TB milestones of TB incidence for 2025.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».