Prioritising attributes for tuberculosis preventive treatment regimens: a modelling analysis
Notice bibliographique
Résumé
Abstract Background Recent years have seen important improvements in available preventive treatment regimens for tuberculosis (TB), and research is ongoing to develop these further. To assist with the formulation of target product profiles for future regimens, we examined which regimen properties would be most influential in the epidemiological impact of preventive treatment. Methods Following expert consultation, we identified 5 regimen properties relevant to the incidence-reducing impact of a future preventive treatment regimen: regimen duration, efficacy, ease-of-adherence (treatment completion rates in programmatic conditions), forgiveness to non-completion and the barrier to developing rifampicin resistance during treatment. For each regimen property, we elicited expert input for minimally acceptable and optimal (ideal-but-feasible) performance scenarios for future regimens. Using mathematical modelling, we then examined how each regimen property would influence the TB incidence reduction arising from full uptake of future regimens according to current WHO guidelines, in four countries: South Africa, Kenya, India and Brazil. Results Of all regimen properties, efficacy is the single most important predictor of epidemiological impact, while ease-of-adherence plays an important secondary role. These results are qualitatively consistent across country settings; sensitivity analyses show that these results are also qualitatively robust to a range of model assumptions, including the mechanism of action of future preventive regimens. Conclusions As preventive treatment regimens against TB continue to improve, understanding the key drivers of epidemiological impact can assist in guiding further development. By meeting these key targets, future preventive treatment regimens could play a critical role in global efforts to end TB.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,558 | 0,001 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».