What Is the Optimal Community-Based Tuberculosis Screening Algorithm for People Who Inject Drugs in a High-Burden Setting?
Notice bibliographique
Résumé
Background: Although people who inject drugs (PWID) are a high-risk group for tuberculosis (TB), current case-finding strategies fail to identify most TB cases. There is a need for an optimized community-based algorithm to improve TB detection in such disproportionately affected populations. Methods: Using respondent-driven sampling, we recruited PWID at community sites in Hai Phong, Vietnam, screening for classic TB symptoms, C-reactive protein blood measurement, portable on-site chest x-ray with CAD4TB software (Computer-Aided Detection for Tuberculosis version 7; Delft Imaging Systems BV), and Xpert MTB/RIF on sputum. Any participants suspected of TB by on-site physicians were referred to the infectious disease hospital for confirmatory testing, and external experts validated final diagnoses, which were then used as the TB gold standard. We aimed to identify the screening algorithm with the highest case detection at the lowest cost among different on-site testing combinations. Ingredients-based costing was used to evaluate the cost per test and cost per case detected for each algorithm. Results: Among the 1080 PWID enrolled, 47 (4.4%; 95% CI, 2.8%-6.4%) were diagnosed with TB disease. When compared with the current symptom-based TB screening strategy in Vietnam (double D), systematic chest x-ray with CAD4TB, Xpert MTB/RIF for those with CAD4TB ≥50, and referral to care for those with either CAD4TB ≥70 or a positive Xpert test result doubled the sensitivity (82.9% vs 43.9%) and yield (3.2% vs 1.7%) while maintaining a reasonable cost per TB case detected (US $439 vs $309 for standard of care). Conclusions: We defined an acceptable and moderate cost algorithm that improves efficiency for community-based TB screening among PWID in Vietnam. To reflect real TB prevalence, we make the case that active case finding and systematic screening strategies should not limit testing to those with a positive symptom screen.
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 | 0,004 | 0,029 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».