Concurrent use of low complexity automated NAATs for TB diagnosis and detection of resistance: A cost-effectiveness analysis
Notice bibliographique
Résumé
Current TB diagnostics relying on respiratory samples are less effective in children (under 10 years), children living with HIV (CLHIV) and adult people living with HIV (PLHIV). Concurrent testing using low-complexity automated nucleic acid amplification tests (LC-aNAATs) on multiple sample types and Lateral Flow Lipoarabinomannan (LF-LAM) improves diagnostic performance, but concerns about cost-effectiveness remain. To inform WHO guideline development group (GDG) recommendation we developed stochastic decision analysis model to evaluate the cost-effectiveness of concurrent LC-aNAAT testing in these populations in Malawi and the Philippines. The analysis, conducted from a healthcare system perspective estimated incremental cost per disability-adjusted life year (DALY) averted using country-specific parameters from published literature and systematic review conducted for GDG. Concurrent testing was assessed using LC-aNAAT on respiratory and stool samples for children, LC-aNAAT on respiratory samples and LF-LAM for PLHIV, and a combination of both approaches for CLHIV. Concurrent testing in children compared to respiratory samples had incremental cost per DALY averted of $253 (95% uncertainty interval (UI): $123 to $2317) in Malawi and $156 (95% UI: $79 to $888) in the Philippines. For PLHIV, concurrent testing had an incremental cost per DALY averted of $42 (95% UI: $18 to $345) in Malawi and $28 (95% UI: $12 to $249) in the Philippines. In CLHIV, concurrent testing had an incremental cost per DALY averted of $43 (95% UI: $28 to $89) in Malawi and $29 (95% UI: $18 to $63) in the Philippines. Sensitivity analyses highlighted TB prevalence and respiratory sample availability as key influencers of cost-effectiveness. In scenarios with higher TB prevalence, cost-effectiveness improved, while an increase in the probability of producing respiratory sample resulted in worsening cost-effectiveness estimates. Concurrent use of LC-aNAATs on multiple sample types and in conjunction with LF-LAM emerged as highly cost-effective strategy for diagnosing TB among children, PLHIV, and CLHIV.
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 | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| 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 ».