MétaCan
Menu
Retour à la cohorte
Enregistrement W4409098542 · doi:10.1016/s2468-2667(24)00325-6

Changes in incarceration and tuberculosis notifications from prisons during the COVID-19 pandemic in Europe and the Americas: a time-series analysis of national surveillance data

2025· article· en· W4409098542 sur OpenAlexfundaboutno aff
Amy Zheng, Lena Faust, Anthony Harries, Pedro Avedillo, Michael Akodu, Beatriz Barreto‐Duarte, Bruno B. Andrade, César Ugarte‐Gil, Alberto L Garcia-Basteiro, Marcos Espinal, Joshua L. Warren, Leonardo Martínez

Notice bibliographique

RevueThe Lancet Public Health · 2025
Typearticle
Langueen
DomaineImmunology and Microbiology
ThématiqueImmune responses and vaccinations
Établissements canadiensnon disponible
Organismes subventionnairesNational Institute of Allergy and Infectious DiseasesCoordenação de Aperfeiçoamento de Pessoal de Nível SuperiorCanadian Institutes of Health ResearchPan American Health OrganizationNational Institutes of HealthFundação Oswaldo Cruz
Mots-clésPandemicCoronavirus disease 2019 (COVID-19)Severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2)2019-20 coronavirus outbreakTuberculosisVirologyBetacoronavirusMedicineCriminologyPsychologyInfectious disease (medical specialty)PathologyOutbreak

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: The COVID-19 pandemic disrupted tuberculosis control programmes globally; whether or not this disproportionately affected people who were incarcerated is unknown. We aimed to evaluate changes in incarceration and tuberculosis notifications in prisons in Europe and the Americas during the COVID-19 pandemic. METHODS: Data from WHO Pan American Health Organization (PAHO) and WHO Europe were used to conduct a joint hierarchical Bayesian negative binomial time-series. This approach accounted for world region, country-specific temporal trends, and country-specific autocorrelated random effects to simultaneously model and predict both annual prison population (ie, the offset) and prison tuberculosis cases (ie, the primary outcome). Results were used to calculate percentage differences between predicted and observed annual tuberculosis notifications and prison populations during the COVID-19 pandemic years (2020-22). FINDINGS: In total, 22 of 39 countries from PAHO and 25 of 53 countries from WHO Europe were included (representing 4·9 million people incarcerated annually), contributing 520 country-years of follow-up. Observed tuberculosis notifications in prisons were lower than predicted in 2020 (-26·2% [95% credible interval -66·3 to 7·8), 2021 (-46·4% [-108·8 to 3·9]), and 2022 (-48·9 [-124·4 to 10·3]). These decreasing trends were consistent across Europe and the Americas, but larger decreases were seen in low-burden settings in 2020 (-54·8% [-112·4 to -4·8]) and 2021 (-68·4% [-156·6 to -2·9]), high-burden settings in 2021 (-89·4% [-190·3 to -10·4]), and Central and North America in 2021 (-100·3% [-239·0 to -6·3]). Observed incarceration levels were similar to predicted levels (<10% difference overall) during all COVID-19 pandemic years. INTERPRETATION: Tuberculosis notifications in prisons from 47 countries in Europe and the Americas were lower than expected (at times >50% lower) during COVID-19 pandemic years, despite consistent incarceration levels. Reasons for this change in tuberculosis notifications might be multifactorial and include missed diagnoses and implementation of COVID-19 pandemic measures, reducing transmission. Greater prioritisation of people who are incarcerated is needed to ensure appropriate access to care in the face of future pandemics. FUNDING: Canadian Institutes of Health Research, National Institutes of Health, and Oswaldo Cruz Foundation, Brazil.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,002
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,339
Score d'incertitude au seuil0,991

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,074
Tête enseignante GPT0,353
Écart entre enseignants0,279 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2025
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueThe Lancet Public HealthMême sujetImmune responses and vaccinationsTravaux en français237 207