Diagnostic yield as an important metric for the evaluation of novel tuberculosis tests: rationale and guidance for future research
Notice bibliographique
Résumé
Better access to tuberculosis testing is a key priority for fighting tuberculosis, the leading cause of infectious disease deaths in people. Despite the roll-out of molecular WHO-recommended rapid diagnostics to replace sputum smear microscopy over the past decade, a large diagnostic gap remains. Of the estimated 10·6 million people who developed tuberculosis globally in 2022, more than 3·1 million were not diagnosed. An exclusive focus on improving tuberculosis test accuracy alone will not be sufficient to close the diagnostic gap for tuberculosis. Diagnostic yield, which we define as the proportion of people in whom a diagnostic test identifies tuberculosis among all people we attempt to test for tuberculosis, is an important metric not adequately explored. Diagnostic yield is particularly relevant for subpopulations unable to produce sputum such as young children, people living with HIV, and people with subclinical tuberculosis. As more accessible non-sputum specimens (eg, urine, oral swabs, saliva, capillary blood, and breath) are being explored for point-of-care tuberculosis testing, the concept of yield will be of growing importance. Using the example of urine lipoarabinomannan testing, we illustrate how even tests with limited sensitivity can diagnose more people with tuberculosis if they enable increased diagnostic yield. Using tongue swab-based molecular tuberculosis testing as another example, we provide definitions and guidance for the design and conduct of pragmatic studies that assess diagnostic yield. Lastly, we show how diagnostic yield and other important test characteristics, such as cost and implementation feasibility, are essential for increased effective population coverage, which is required for optimal clinical care and transmission impact. We are calling for diagnostic yield to be incorporated into tuberculosis test evaluation processes, including the WHO Grading of Recommendations, Assessment, Development, and Evaluations process, providing a crucial real-life implementation metric that complements traditional accuracy measures.
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 | 0,016 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 |
| 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 ».