Tuberculosis Case Fatality in the Indian Private Healthcare Sector
Bibliographic record
Abstract
La tuberculose (TB) demeure la maladie infectieuse la plus meurtrière dans le monde.L'Inde compte plus du quart des cas de TB à travers le monde, et est le site de la plus grande épidémie de TB au niveau mondial.La stratégie de l'Organisation mondiale de la Santé (OMS) pour mettre fin à la tuberculose (« End TB Strategy ») identifie le taux de létalité comme une mesure clé de la qualité des soins de santé en TB.Dans cette thèse de doctorat, j'estime le taux de létalité de l'épidémie de TB en Inde à partir de la littérature, et de données primaires sur des patients de TB du secteur privé provenant de deux études de cohortes.J'ai réalisé une revue systématique de la littérature récente sur la létalité de la TB Inde qui démontre que bien que le taux de létalité global soit en ligne avec les cibles de l'OMS, des groupes importants de patients sont sous-étudiés, en particulier les patients de TB du secteur privé.Le secteur privé du système de santé indien est en grande partie non réglementé et dessert la moitié des patients de TB indiens; les données suggèrent que les soins de santé qu'ils reçoivent sont sous-optimaux.Les efforts pour améliorer la qualité des soins de santé pour les patients de TB indiens dans le secteur privé incluent les agences d'interface avec les fournisseurs privés (AIFP ou « Private Provider Interface Agencies ») qui fournissent un traitement et un soutien au traitement gratuits aux patients, ainsi que des primes d'encouragement aux fournisseurs.Afin d'estimer le taux de létalité et le taux de récurrence de TB chez les patients traités par les AIFP, j'ai réalisé deux enquêtes de cohortes de 4 000 patients chacune, à Patna et à Mumbai, en Inde.J'ai estimé le taux de létalité durant la phase de traitement, ainsi que le taux de létalité et de récurrence de TB durant la phase post-traitement.La perte de suivi du patient, une source potentielle de biais de sélection, est ajustée pour utiliser la pondération de sélection de probabilité inverse.J'ai déterminé que le taux de létalité durant la phase de traitement était supérieur à la limite optimale de l'OMS, et que les estimés bruts de létalité durant cette phase étaient substantiellement biaisés.Après 24 mois dans la phase post-traitement, des taux de létalité et de récurrence modérés ont été observés.La correction du biais de sélection est un pas vers l'avant important pour la littérature indienne sur la TB, mais il faut noter que la pondération de sélection de probabilité inverse ne fournit des estimés non-biaisés que si toutes les variables de confusion de la relation sélection-résultat sont incluses dans le modèle de sélection.Afin d'investiguer la robustesse de mes résultats par rapport aux influences confusionnelles non-mesurées, j'ai réalisé une analyse de biais probabiliste, dans laquelle j'ai simulé des taux réalistes de fumeurs, VIH et malnutrition, et j'ai estimé que leur influence sur les résultats primaires était probablement limitée.Ce travail de recherche contribue à l'estimation fiable d'une mesure critique de qualité des soins de santé, le taux de létalité.Il s'agit d'une première étape importante dans l'étalonnage d'améliorations futures de la qualité des soins de santé.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".