Active case finding using mobile vans with artificial intelligence aided radiology tests and sputum collection for rapid diagnostic tests to reduce tuberculosis prevalence among high-risk population in rural China: Protocol for a pragmatic trial
Notice bibliographique
Résumé
BACKGROUND: Tuberculosis (TB) remains a significant public health challenge, particularly in rural areas of high-burden countries like China. Active case finding (ACF) and timely treatment have been proven effective in reducing TB prevalence, but the impact on the TB epidemic when employing new technologies in ACF is still unknown. This study aims to evaluate the effectiveness of a comprehensive ACF package utilizing mobile vans equipped with artificial intelligence (AI)-aided radiology and GeneXpert testing in reducing TB prevalence among high-risk populations in rural Guangxi, China. METHODS: A pragmatic cluster randomized controlled trial will be conducted in two counties of Guangxi, China. The trial will randomize 23 townships to intervention or control groups at approximately 1:1 ratio. The intervention group will receive an ACF campaign in Year 1 among high-risk populations, incorporating visited by mobile vans equipped with AI-based digital X-ray screening, symptom assessment, and sputum collection for GeneXpert testing. Control group participants receive usual care. TB patients identified in Year 1 will complete their treatment in Year 2. The primary outcome is the prevalence rate of bacteriologically confirmed TB among high-risk populations in Year 3. Process evaluation will explore acceptability, feasibility and adaptation of the intervention. We will conduct incremental costing study to inform future scale-up of the intervention in other settings. DISCUSSION: This study will provide valuable insights into the effectiveness and feasibility of utilizing AI-equipped mobile vans and GeneXpert for TB ACF to reduce TB prevalence in rural settings. If successful, this model will contribute to possible solutions to achieve the WHO End TB Strategy by 2035. TRIAL REGISTRATION: ClinicalTrials.gov NCT06702774.
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 | 0,031 | 0,027 |
| Méta-épidémiologie (sens strict) | 0,005 | 0,003 |
| Méta-épidémiologie (sens large) | 0,008 | 0,006 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,004 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,004 | 0,003 |
| Intégrité de la recherche | 0,008 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,060 | 0,009 |
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 ».