The impact of the COVID-19 pandemic in tuberculosis preventive treatment in Brazil: a retrospective cohort study using secondary data
Notice bibliographique
Résumé
Background: Disruptions in tuberculosis services have been reported around the world since the emergence of the COVID-19 pandemic. However, the pandemic's effect on tuberculosis preventive treatment (TPT) has been poorly explored. We compared TPT-notified prescriptions and outcomes before and during the pandemic in Brazil. Methods: Retrospective cohort using secondary data from the Brazilian TPT information system in five cities with over 1000 notifications. The number of TPT prescriptions was analysed from 6 months after healthcare workers' training, in 2018, to July 2021. The proportion of TPT outcomes by the date of treatment initiation was analysed up to the end of 2020, as most outcomes of TPT started in 2021 were still unknown in July 2021. Joinpoint regression was used to evaluate trends. Findings: 14,014 TPT prescriptions were included, most from São Paulo (8032) and Rio de Janeiro (3187). Compared to the same epidemiological weeks in 2019, the number of TPT prescribed in 2020 increased in Rio de Janeiro (82%) and São Paulo (14%) and decreased in Recife (65%), Fortaleza (31%) and Manaus (44%). In 2021, however, there was a 93% reduction in TPT prescriptions in all cities. The proportion of completed TPT remained constant (median = 74%). Interpretation: The COVID-19 pandemic in Brazil was associated with a dramatic decrease in TPT prescriptions in 2021. Treatment adherence remained constant, suggesting that health services were able to keep people on treatment but did not perform well in providing opportunities for people to enter care. Efforts are needed to expand access to TPT. Funding: Brazilian Ministry of Science, Technology and Innovation, CNPq.
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 | 0,001 |
| 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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».