Inicio / Noticias / Medicina Preventiva Clínica / Investigar el impacto de las estrategias de detección de casos de TB y las consecuencias del diagnóstico falso positivo a través de modelos matemáticos

Investigar el impacto de las estrategias de detección de casos de TB y las consecuencias del diagnóstico falso positivo a través de modelos matemáticos

    Bookmark and Share
smaller text tool icon
medium text tool icon
larger text tool icon

TBEl aumento de las notificaciones de casos es una de las principales prioridades programáticas de los Programas Nacionales de Control de la Tuberculosis (PNT). Para encontrar más casos, los NTP a menudo deben considerar expandir las actividades de detección de casos de TB a poblaciones con una prevalencia de enfermedad cada vez más baja. Junto con algoritmos de diagnóstico de baja especificidad, estas estrategias pueden conducir a un número cada vez mayor de diagnósticos falsos positivos, lo que tiene importantes consecuencias adversas.

Se aplica TIME, un modelo a nivel de país ampliamente utilizado, para cuantificar el impacto esperado de diferentes estrategias de búsqueda de casos en dos escenarios. En el primer escenario, se compara el impacto de la implementación de dos algoritmos de diagnóstico diferentes (mayor sensibilidad solo versus mayor sensibilidad y especificidad) para alcanzar objetivos de cribado programáticos. En el segundo escenario, se examina el impacto de ampliar la cobertura a una población con una menor prevalencia de la enfermedad. Finalmente, exploramos las implicaciones del modelado sin tomar en consideración el cribado de individuos sanos. Los resultados considerados fueron los cambios en las notificaciones, la proporción de falsos positivos adicionales a diagnósticos positivos verdaderos, el valor predictivo positivo (VPP) y la incidencia.

En el escenario 1, el algoritmo A de tos prolongada y GeneXpert arrojaron menos notificaciones adicionales en comparación con el algoritmo B de cualquier síntoma y microscopia de frotis ( n?= 4.0 K vs 13.8 K), con respecto a la línea de base entre 2017 y 2025. Sin embargo, el algoritmo A resultó en un aumento en PPV, evitando 2.4 K notificaciones falsas positivas lo que resulta en un impacto más eficiente en la incidencia. El Escenario 2 demostró una disminución absoluta del 11% en el VPP ya que las actividades intensivas de búsqueda de casos se expandieron a poblaciones de baja prevalencia sin mejorar la precisión diagnóstica, obteniéndose 23 K positivos falsos diagnósticos adicionales para 1.3 K diagnósticos positivos verdaderos entre 2017 y 2025. Modelado el segundo escenario sin tener en cuenta el cribado entre individuos sanos sobreestimó el impacto en casos evitados por un factor de 6.

Los hallazgos, publicados en la revista BCM Infectious Diseases, muestran que las notificaciones totales pueden ser un indicador engañoso para el rendimiento del programa de TB y deben interpretarse con cuidado. Al evaluar las posibles estrategias de búsqueda de casos, los NTP deben considerar la especificidad de los algoritmos diagnósticos y el riesgo de aumentar los diagnósticos falsos positivos. Del mismo modo, modelar el impacto de las estrategias de búsqueda de casos sin tener en cuenta las posibles consecuencias adversas puede sobrestimar el impacto y conducir a una toma de decisiones estratégica deficiente.

 

 Plazo abierto

_ Área Privada _
_ Nube de Tags _

 Oxivir

 reciplac

 

amc banner_v4

Logo página principal xylazel

Nuestro sitio web utiliza cookies propias y de terceros para mejorar nuestros contenidos y servicios mediante el análisis de sus hábitos de navegación. Al aceptar el presente aviso entendemos que da su consentimiento a nuestra Politica de Cookies.