Spatial analysis of tuberculosis treatment outcomes in Shanghai: implications for tuberculosis control
Notice bibliographique
Résumé
OBJECTIVES: Tuberculosis (TB) treatment outcomes are a key indicator in the assessment of TB control programs. We aimed to identify spatial factors associated with TB treatment outcomes, and to provide additional insights into TB control from a geographical perspective. METHODS: We collected data from the electronic TB surveillance system in Shanghai, China and included pulmonary TB patients registered from January 1, 2009 to December 31, 2016. We examined the associations of physical accessibility to hospitals, an autoregression term, and random hospital effects with treatment outcomes in logistic regression models after adjusting for demographic, clinical, and treatment factors. RESULTS: Of the 53,475 pulmonary TB patients, 49,002 (91.6%) had successful treatment outcomes. The success rate increased from 89.3% in 2009 to 94.4% in 2016. The successful treatment outcome rate varied among hospitals from 78.6% to 97.8%, and there were 12 spatial clusters of poor treatment outcomes during the 8-year study period. The best-fit model incorporated spatial factors. Both the random hospital effects and autoregression terms had significant impacts on TB treatment outcomes, ranking 6th and 10th, respectively, in terms of statistical importance among 14 factors. The number of bus stations around the home was the least important variable in the model. CONCLUSIONS: Spatial autocorrelation and hospital effects were associated with TB treatment outcomes in Shanghai. In highly-integrated cities like Shanghai, physical accessibility was not related to treatment outcomes. Governments need to pay more attention to the mobility of patients and different success rates of treatment among hospitals.
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 | 0,005 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| 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 | 0,000 |
| 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 ».