Acceptability and feasibility of digital adherence technologies for drug-susceptible tuberculosis treatment supervision: A meta-analysis of implementation feedback
Notice bibliographique
Résumé
Digital adherence technologies (DATs) have emerged as an alternative to directly observed therapy (DOT) for supervisions of tuberculosis (TB) treatment. We conducted a meta-analysis of implementation feedback obtained from people with TB and health care workers (HCWs) involved in TB REACH Wave 6-funded DAT evaluation projects. Projects administered standardized post-implementation surveys based on the Capability, Opportunity, Motivation, Behavior (COM-B) model to people with TB and their health care workers. The surveys included questions on demographics and technology use, Likert scale questions to assess capability, opportunity, and motivation to use DAT and open-ended feedback. We summarized demographic and technology use data descriptively, generated pooled estimates of responses to Likert scale questions within each COM-B category for people with TB and health care workers using random effects models, and performed qualitative analysis of open-ended feedback using a modified framework analysis approach. The analysis included surveys administered to 1290 people with TB and 90 HCWs across 6 TB REACH-funded projects. People with TB and HCWs had an overall positive impression of DATs with pooled estimates between 4·0 to 4·8 out of 5 across COM-B categories. However, 44% of people with TB reported taking TB medications without reporting dosing via DATs and 23% reported missing a dose of medication. Common reasons included problems with electricity, network coverage, and technical issues with the DAT platform. DATs were overall perceived to reduce visits to clinics, decrease cost, increase social support, and decrease workload of HCWs. DATs were acceptable in a wide variety of settings. However, there were challenges related to the feasibility of using current DAT platforms. Implementation efforts should concentrate on ensuring access, anticipating, and addressing technical challenges, and minimizing additional cost to people with TB.
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 | 0,054 | 0,152 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,007 | 0,027 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».