MétaCan
Menu
Retour à la cohorte
Enregistrement W4410474510 · doi:10.1101/2025.05.15.25327701

Slowing the spread of treatment failure to artemisinin-based combination therapies in Uganda

2025· preprint· en· W4410474510 sur OpenAlexfundno aff
Tran Dang Nguyen, Robert Zupko, Melissa D. Conrad, Gerald B Rukundo, Carter C Farinha, Victor Asua, Kien Trung Tran, Philip J. Rosenthal, Bosco Agaba, Moses R. Kamya, Jimmy Opigo, Maciej F. Boni

Notice bibliographique

RevuemedRxiv · 2025
Typepreprint
Langueen
DomaineMedicine
ThématiqueMalaria Research and Control
Établissements canadiensnon disponible
Organismes subventionnairesInstitute for Computational and Data Sciences, Pennsylvania State UniversityNational Institutes of HealthMedicines for Malaria VentureInternational Development Research CentreTemple UniversityNational Institute of Allergy and Infectious DiseasesBill and Melinda Gates Foundation
Mots-clésArtemisininMedicineTraditional medicineIntensive care medicineMalariaImmunologyPlasmodium falciparum

Résumé

récupéré en direct d'OpenAlex

Abstract Background The multiple emergences and continuing spread of partially artemisinin-resistant Plasmodium falciparum in Africa, where about 95% of malaria occurs, is a health challenge that requires urgent attention. The World Health Organization has developed a resistance response strategy that centers on enhancing surveillance, reducing drug pressure, and evaluating novel tools to slow resistance evolution which includes the deployment of multiple first-line therapies (MFT). Developing a specific resistance response is critical for Uganda, where four pfkelch13 mutations are at local allele frequencies >0.20. Methods Using a previously validated Uganda-calibrated individual-based mathematical model of P. falciparum transmission and evolution, we evaluated 53 public-sector deployment strategies for artemisinin-based combination therapies (ACTs) aimed at reducing treatment failure and slowing the spread of pfkelch13 alleles from 2025 to 2031. We assume that artemether-lumefantrine (AL) will continue to be used in the private sector. Results A change of first-line therapy from AL to artesunate-amodiaquine (ASAQ) is projected to reduce treatment failures by 34.7% to 38.3% (90% range of simulation outcomes) over six years, while a change to dihydroartemisinin-piperaquine (DHA-PPQ) is projected to reduce treatment failures over the same period by 10.0% to 12.9%. This pessimistic projection for DHA-PPQ deployment rests on a model assumption – supported by clinical data from SE Asia – that piperaquine resistance evolution will lead to high rates of treatment failure. Optimal MFT deployments and cycling approaches are projected to reduce treatment failure counts by ∼36% when compared to status quo AL use, an outcome similar to country-wide ASAQ deployment. MFT and cycling approaches are predicted to work best when ASAQ is recommended for a majority of malaria cases and DHA-PPQ for a smaller proportion of cases. Deployment of the triple ACT artemether-lumefantrine-amodiaquine has the potential to reduce treatment failures by ∼42% if enacted immediately. Conclusions Increased adoption of and coverage with ASAQ is projected to play a large role in reducing malaria treatment failure counts in Uganda over the next six years. With continued AL use in the private sector, ASAQ and DHA-PPQ deployment in the public sector creates a public-private MFT mix of antimalarial use. DHA-PPQ deployment should be accompanied by real-time molecular surveillance for piperaquine-resistant genotypes.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,008
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,022
Score d'incertitude au seuil0,044

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,008
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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 Opus0,023
Tête enseignante GPT0,308
Écart entre enseignants0,285 · 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 source (Gemma direct ou Codex distillé), 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

Citations4
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuemedRxivMême sujetMalaria Research and ControlTravaux en français237 207