The potential impact, cost and cost-effectiveness of tuberculosis interventions - a modelling exercise
Notice bibliographique
Résumé
Background: While a range of interventions exist for tuberculosis prevention, screening, diagnosis, and treatment, their potential population impact and cost-effectiveness are seldom directly compared, or evaluated between settings with different background TB epidemiology and structural drivers. Methods: We calibrated a deterministic TB model to epidemiological indicators in Brazil, India, and South Africa. We implemented seven interventions across countries focusing on prevention, screening and diagnosis, and treatment of TB, as well as TB screening in prisons in Brazil and nutritional supplementation in India. We standardised scale-up (2025-2030), coverage (80% of target population), and strength of evidence for epidemiological impact using published efficacy data. We estimated epidemiological impact and incremental cost-effectiveness ratios (ICERs), expressed as costs per disability-adjusted life year (DALY) averted by 2050. Results: Only three interventions prevented >10% of incident TB episodes by 2050: vaccination (median 15-28% across countries), symptom-agnostic community-wide screening (32-38%) and screening in prisons (23%). The impact of other interventions was more limited, ranging from 0% (shortened drug-susceptible treatment) to 5% (nutritional supplementation). ICERs varied widely by intervention and setting. Shortened drug-resistant treatment was cost-saving across settings, with the next lowest ICERs for prison screening in Brazil (72 USD/DALY) and nutritional supplementation in India (167 USD/DALY). Within each country, both low-cost community-wide screening and TB vaccine campaigns had lower USD/DALY than TB preventive treatment. Conclusion: Interventions with meaningful epidemiological impact can also be cost-effective, but need to target populations beyond clinic-diagnosed individuals or their households. Achieving such potential requires a priority shift in funding, policy and product development.
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 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».