Exploring Active Case Detection Approaches for Leprosy Diagnosis in Varied Endemic Settings: A Comprehensive Scoping Review
Notice bibliographique
Résumé
(1) Background: The global burden of leprosy is not shared equally; with the majority of cases being diagnosed in Brazil, India, and Indonesia. Understanding the methods of active case detection (ACD) used in high and low endemic regions is vital for the development of future screening programs. (2) Methods: A systematic search of three databases, PubMed, Embase and Web of Science, was conducted for English language papers, published since the year 2000, which discussed the use of active case detection methods for leprosy screening. The paper utilised the Integrated Screening Action Model (I-SAM) as a tool for the analysis of these methods. (3) Results: 23 papers were identified from 11 different countries. The papers identified 6 different methods of active case detection: Household contact/social contact identification; door-to-door case detection; screening questionnaire distribution; rapid village surveys; school-based screening; and prison-based screening. 15 were located in high endemic regions and 8 of these were located in low endemic regions. (4) Conclusions: For selecting the appropriate methods of active case finding, the leprosy endemicity must be taken into consideration. The findings contribute to policy decision making allowing for more successful future leprosy case detection programs to be designed, ultimately reducing the global burden of the disease, and achieving the WHO's aim of zero leprosy.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».