Pooled testing of sputum with Xpert MTB/RIF and Xpert Ultra during tuberculosis active case finding campaigns in Lao People’s Democratic Republic
Notice bibliographique
Résumé
INTRODUCTION: Active case finding (ACF) of individuals with tuberculosis (TB) is a key intervention to find the 30% of people missed every year. However, ACF requires screening large numbers of individuals who have a low probability of positive results, typically <5%, which makes using the recommended molecular tests expensive. METHODS: We conducted two ACF surveys (in 2020 and 2021) in high TB burden areas of Lao PDR. Participants were screened for TB symptoms and received a chest X-ray. Sputum samples of four consecutive individuals were pooled and tested with Xpert Mycobacterium tuberculosis (MTB)/rifampicin (RIF) (Xpert-MTB/RIF) (2020) or Xpert-Ultra (2021). The agreement of the individual and pooled samples was compared and the reasons for discrepant results and potential cartridge savings were assessed. RESULTS: Each survey included 436 participants, which were tested in 109 pools. In the Xpert-MTB/RIF survey, 25 (sensitivity 89%, 95% CI 72.8% to 96.3%) of 28 pools containing MTB-positive samples tested positive and 81 pools containing only MTB-negative samples tested negative (specificity 100%, 95% CI 95.5% to 100%). In the Xpert-Ultra survey, all 32 (sensitivity 100%, 95% CI 89.3% to 100%) pools containing MTB-positive samples tested positive and all 77 (specificity 100%, 95% CI 95.3% to 100%) containing only MTB-negative samples tested negative. Pooling with Xpert-MTB/RIF and Xpert-Ultra saved 52% and 46% (227/436 and 199/436, respectively) of cartridge costs alone. CONCLUSION: Testing single and pooled specimens had a high level of agreement, with complete concordance when using Xpert-Ultra. Pooling samples could generate significant cartridge savings during ACF campaigns.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,000 | 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 ».