Pitfalls of Single Measurement Screening for Diabetes and Hypertension in Community-Based Settings
Notice bibliographique
Résumé
Background: Cross-sectional screening programs are used to detect and refer individuals with non-communicable diseases to healthcare services. We evaluated the positive predictive value of cross-sectional measurements for Diabetes Mellitus (DM) and hypertension (HTN) as part of a community-based disease screening study, 'Vukuzazi' in rural South Africa. Methods: We conducted community-based screening for HTN and DM using the World Health Organization STEPS protocol and glycated haemoglobin A1c (HbA1c) testing, respectively. Nurses conducted follow-up home visits for confirmatory diagnostic testing among individuals with a screening BP above 140/90 mmHg and/or HbA1c above 6.5% at the initial screen, and without a prior diagnosis. We assessed the positive predictive value of the initial screening, compared to the follow up measure. We also sought to identify a screening threshold for HTN and DM with greater than 90% positive predictive value. Results: Of 18,027 participants enrolled, 10.2% (1,831) had a screening BP over 140/90 mmHg. Of those without a prior diagnosis, 871 (47.6%) received follow-up measurements. Only 51.2% (451) of those with completed follow-up measurements had a repeat BP>140/90 mmHg at the home visit and were referred to care. To achieve a 90% correct referral rate, a systolic BP threshold of 192 was needed at first screening. For DM screening, 1,615 (9.0%) individuals had an HbA1c > 6.5%, and of those without a prior diagnosis, 1,151 (71.2%) received a follow-up blood glucose. Of these, only 34.1% (395) met criteria for referral for DM. To ensure a 90% positive predictive value i.e. a screening HbA1c of >16.6% was needed. Conclusions: A second home-based screening visit to confirm a diagnosis of DM and HTN reduced health system referrals by 48% and 66%, respectively. Two-day screening programmes for DM and HTN screening might save individual and healthcare resources and should be evaluated carefully in future cost effectiveness evaluations.
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 | 0,170 | 0,386 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,005 | 0,004 |
| Études des sciences et des technologies | 0,003 | 0,004 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,005 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».