Prevalence and patterns of drug-resistant Mycobacterium tuberculosis in newly diagnosed patients in China: A systematic review and meta-analysis
Notice bibliographique
Résumé
BACKGROUND: Tuberculosis (TB), one of the deadliest infectious diseases globally, is increasingly exacerbated in China by the emergence of resistant Mycobacterium tuberculosis (MTB) strains. Drug-resistant TB, including mono-drug-resistant TB, multidrug-resistant TB (MDR-TB), and extensively drug-resistant TB (XDR-TB), presents significant public health challenges. METHODS: We conducted a systematic literature review from January 2010 to February 2024 using databases such as PubMed, Embase, Web of Science, and Google Scholar. Our focus was on empirical data related to drug resistance patterns in newly diagnosed TB cases. Non-empirical studies were excluded through meticulous filtering. For the meta-analysis, we used Review Manager (RevMan) 5.2 and assessed evidence quality using the Newcastle-Ottawa Scale (NOS). RESULTS: Our search strategy identified 40 studies that met the inclusion criteria, encompassing a total sample size of 87,667 participants. Among new TB cases, the estimated prevalence of MDR-TB in China was 6.9% (95% CI: 5.6-8.1%). Prevalence rates for mono-drug resistance to first-line anti-TB medications were as follows: isoniazid at 18.2% (95% CI: 16.4-20.6%), rifampicin at 10.5% (95% CI: 8.6-12.8%), and ethambutol at 5.7% (95% CI: 4.1-7.3%). The prevalence of streptomycin resistance, a former first-line anti-TB drug, was 17.1% (95% CI: 14.6-19.1%). The prevalence of other types of mono-drug resistance was 15.2% (95% CI: 13.9-17.3%), and for XDR-TB, it was 0.9% (95% CI: 0.6-1.4%). CONCLUSIONS: The high prevalence of drug-resistant TB in China poses a significant public health challenge. There is an urgent need for targeted interventions and continued surveillance to combat the spread of drug-resistant 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 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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,013 | 0,002 |
| Bibliométrie | 0,001 | 0,002 |
| 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 ».