Tabby2: un usuario

Jul 28, 2023

BMC Medicine volumen 21, número de artículo: 331 (2023) Citar este artículo

3 altmétrico

Detalles de métricas

En los Estados Unidos, la carga de morbilidad por tuberculosis (TB) y los factores asociados varían sustancialmente entre los estados. Si bien las agencias de salud pública deben elegir cómo desplegar recursos para combatir la tuberculosis y la infección tuberculosa latente (LTBI), los análisis de modelos a nivel estatal para informar las decisiones políticas no han estado ampliamente disponibles.

Desarrollamos un modelo matemático de epidemiología de la tuberculosis vinculado a una interfaz de usuario basada en web: Tabby2. El modelo está calibrado con datos epidemiológicos y demográficos de los Estados Unidos, cada estado de los EE. UU. y el Distrito de Columbia. Los usuarios pueden simular escenarios predefinidos que describen enfoques para la prevención y el tratamiento de la tuberculosis o crear sus propios escenarios de intervención. Los resultados específicos de la ubicación para resultados epidemiológicos, utilización de servicios, costos y rentabilidad se informan como tablas descargables y visualizaciones personalizables. Para demostrar la funcionalidad de la herramienta, proyectamos tendencias en los resultados de la tuberculosis sin intervención adicional para los 50 estados y el Distrito de Columbia. Además, llevamos a cabo un estudio de caso sobre el tratamiento ampliado de la LTBI entre personas no nacidas en los EE. UU. en Massachusetts, que abarca el 10 % de la población objetivo anualmente durante el período 2025-2029.

Entre 2022 y 2050, se proyectó que las tasas de incidencia de tuberculosis disminuirían en todos los estados y en el Distrito de Columbia. Las proyecciones de incidencia para el año 2050 oscilaron entre 0,03 y 3,8 casos (mediana 0,95) por 100.000 personas. Para 2050, proyectamos que la mayoría (> 50%) de la tuberculosis se diagnosticará entre personas no nacidas en los Estados Unidos en 46 estados y el Distrito de Columbia; Los porcentajes por estado oscilan entre el 17,4% y el 96,7% (mediana 83,0%). En Massachusetts, se proyectó que la ampliación de las pruebas y el tratamiento de la LTBI en esta población reduciría los casos acumulados de tuberculosis entre 2025 y 2050 en un 6,3% y las muertes relacionadas con la tuberculosis en un 8,4%, en relación con las proyecciones del caso base. Esta intervención tuvo una relación costo-efectividad incremental de $180,951 (USD 2020) por año de vida ajustado por calidad ganado desde la perspectiva social.

Tabby2 permite a los usuarios estimar los costos, el impacto y la rentabilidad de diferentes enfoques de prevención de la tuberculosis para múltiples áreas geográficas de los Estados Unidos. La ampliación de las pruebas y el tratamiento de la LTBI podría acelerar la disminución de la incidencia de la tuberculosis en los Estados Unidos, como se demuestra en el estudio de caso de Massachusetts.

Informes de revisión por pares

Aproximadamente 9000 personas fueron diagnosticadas con tuberculosis (TB) anualmente en los Estados Unidos durante 2017-2019. En estos años, entre el 12% y el 13% de los casos de tuberculosis notificados se atribuyeron a transmisión reciente [1], y el resto probablemente se debió a la progresión de infecciones tuberculosas latentes (ITBL) adquiridas más de dos años antes. Estimaciones recientes sugieren que entre el 3,1% y el 5,0% de la población estadounidense tiene LTBI [2, 3], que puede progresar a la enfermedad de tuberculosis en el futuro. La infección y la enfermedad de tuberculosis no se distribuyen equitativamente entre las poblaciones estadounidenses; La prevalencia de LTBI es mayor entre las personas no nacidas en los EE. UU., probablemente expuestas a la tuberculosis antes de su llegada a los EE. UU., y entre las personas nacidas en los EE. UU. expuestas en entornos congregados [4]. Un pequeño número de estados de EE. UU., en particular aquellos con grandes poblaciones no nacidas en EE. UU., informan un número sustancial de casos de tuberculosis: California, Florida, Texas y Nueva York informaron colectivamente el 50,6 % de los casos de tuberculosis en EE. UU. en 2017-2019 [1]. Los casos anuales de tuberculosis notificados disminuyeron un 20 % al comienzo de la pandemia de COVID-19 en 2020 [5], y cada uno de estos factores podría desempeñar un papel en la reducción de la inmigración, la reducción de la transmisión y las interrupciones en el acceso a la atención médica. Antes de 2020, la mayoría de los estados habían informado modestas disminuciones anuales en la incidencia de tuberculosis, aunque varios estados (Alabama, Luisiana, Misuri, Minnesota, Nueva Jersey y Carolina del Sur) informaron un mayor número de casos de tuberculosis en el período 2017-2019 en comparación con el período anterior. Período de 3 años [6]. Los casos de tuberculosis notificados preliminarmente en 2021 mostraron un aumento en comparación con 2020, lo que sugiere un retorno a estas tendencias prepandémicas [7].

Una estrategia importante para acelerar la eliminación de la tuberculosis en los Estados Unidos son las pruebas y el tratamiento específicos (TTT) de poblaciones con riesgo elevado de desarrollar enfermedad de tuberculosis debido a la progresión de la LTBI. Estas poblaciones incluyen aquellas con mayor prevalencia de LTBI (individuos no nacidos en los EE. UU., personas sin hogar, encarceladas o que residen en otros entornos congregados) y personas con riesgos elevados de progresión de LTBI (individuos con inmunosupresión, como VIH, enfermedad renal terminal , o aquellos que toman una terapia inmunosupresora) [8]. Para que los programas de prevención de la tuberculosis puedan asignar recursos de manera eficaz, es fundamental que identifiquen las poblaciones locales con alto riesgo de contraer la enfermedad de tuberculosis y diseñen intervenciones que maximicen el impacto en la salud de los fondos disponibles para su jurisdicción. Para respaldar estos objetivos, se pueden utilizar modelos matemáticos para sintetizar datos epidemiológicos y proyectar tendencias futuras de incidencia de tuberculosis y prevalencia de LTBI en una amplia gama de escenarios hipotéticos futuros, teniendo en cuenta al mismo tiempo los factores locales que afectarán los costos y el impacto de las políticas propuestas. Combinados con análisis de rentabilidad, los modelos pueden identificar enfoques de intervención que maximicen el impacto de la prevención para un presupuesto determinado.

Aquí presentamos Tabby2, una aplicación web que permite a los usuarios realizar análisis epidemiológicos y económicos interactivos utilizando un modelo matemático de la epidemiología de la tuberculosis en los Estados Unidos. Este modelo está calibrado con datos demográficos y de tuberculosis para cada estado de EE. UU., el Distrito de Columbia y para todo Estados Unidos. Tabby2 permite a los usuarios seleccionar un área geográfica, explorar proyecciones de resultados de tuberculosis bajo supuestos de caso base, especificar escenarios de intervención para comparar y simular una variedad de resultados (tendencias epidemiológicas futuras, cambios en la utilización de los servicios de salud, costos y rentabilidad). asociados a cada escenario. Como aplicación web de acceso abierto, Tabby2 proporciona una interfaz fácil de usar para que la utilicen investigadores, funcionarios de salud y personal del programa de tuberculosis para comprender las implicaciones de las opciones de políticas de tuberculosis, describir el impacto de la prevención de la tuberculosis y la rentabilidad de las inversiones en salud pública. y diseñar carteras de políticas contra la tuberculosis adaptadas a nivel local.

Describimos el desarrollo y la funcionalidad de esta herramienta e informamos los resultados proyectados de tuberculosis para todos los estados de EE. UU. bajo un escenario de caso base. Utilizando Massachusetts como estudio de caso, mostramos cómo se puede utilizar la herramienta para simular los costos, el impacto de la prevención y la rentabilidad de enfoques alternativos de prevención y tratamiento.

Tabby2 es una aplicación web creada utilizando el marco web Shiny [9] en el lenguaje de programación R [10], que proporciona una interfaz de usuario de acceso abierto en línea para Modeling Interventions for Tuberculosis in the United States (MITUS), una plataforma de transmisión dinámica. modelo de epidemiología de la tuberculosis y servicios de salud. El modelo está disponible en GitHub (https://github.com/PPML/MITUS/tree/tabby2) como paquete para el lenguaje de programación R (MITUS). Se puede acceder a la aplicación web Tabby2 en línea en https://ppmltools.org/tabby2/.

La aplicación web Tabby2 utiliza prácticas modernas de ingeniería de software, incluido el diseño modular y pruebas y documentación automatizadas basadas en paquetes R. Tabby2 utiliza paquetes R, incluidos Shiny, Rcpp, ggplot2, dplyr y otros, para ejecutar simulaciones de modelos, trazar resultados y formatear datos para su visualización [9,10,11,12,13]. El resultado es una aplicación web de acceso abierto que permite a los usuarios describir, visualizar y exportar escenarios de estrategias de control de tuberculosis modelados y sus costos asociados.

Las estimaciones epidemiológicas proporcionadas por Tabby2 son generadas por el paquete MITUS, que amplía un modelo matemático publicado de tuberculosis [14] para incluir estratos de riesgo que pueden compararse con las características de una población objetivo por estado.

En el modelo MITUS, una dimensión central de la tuberculosis captura la transmisión, la historia natural y el tratamiento de la tuberculosis (Fig. 1). Las dimensiones adicionales representan (1) riesgo de progresión de la tuberculosis, (2) riesgo de mortalidad, (3) desventaja socioeconómica, (4) historial de tratamiento de LTBI, (5) nacimiento (nacido en los EE. UU. o fuera de los EE. UU.) y (6 ) diferencias basadas en la edad en los mecanismos de la enfermedad y la prevalencia de los factores de riesgo. La lista completa de compartimentos representados en el modelo es el resultado de todas las combinaciones posibles de estas siete dimensiones. La población se representa como una distribución a través de estas dimensiones, que cambia con el tiempo según las tasas de entrada y salida de cada uno de los compartimentos. El modelo simula la demografía y la epidemiología de la tuberculosis histórica (1950-2020), así como actual y proyectada (2021-2050), para cada uno de los 50 estados de EE. UU., el Distrito de Columbia y los Estados Unidos en su conjunto. Se han utilizado versiones anteriores de este modelo para pronosticar tendencias a largo plazo en los resultados de la tuberculosis en los Estados Unidos [14] y en California [15], investigar el impacto del control internacional de la tuberculosis en la tuberculosis en los Estados Unidos [16] y describir la situación histórica. patrones de epidemiología de la LTBI [17].

Esquema de la estructura del modelo TB de transmisión dinámica, que muestra los compartimentos y las transiciones del modelo.

Leyenda: *La dimensión de riesgo de progresión de la tuberculosis representa diferencias en las tasas de reactivación de LTBI dentro de la población modelada. **La dimensión del riesgo de mortalidad representa diferencias en las tasas de mortalidad no relacionadas con la tuberculosis dentro de la población modelada. ***La dimensión de desventaja socioeconómica representa a personas pobres y marginadas operacionalizadas como tasas elevadas de contacto con la tuberculosis, tasas elevadas de mortalidad, tasas más altas de detección de LTBI y tasas más altas de incumplimiento del tratamiento de la tuberculosis. Modelamos la transmisión de tuberculosis asumiendo una mezcla variada dentro de grupos nacidos y no nacidos en los EE. UU., y dentro de los niveles de la dimensión de desventaja socioeconómica (detalles adicionales descritos en [14]).

El modelo MITUS incorpora una variedad de datos epidemiológicos y demográficos específicos de cada estado, incluidos datos del Sistema Nacional de Vigilancia de la Tuberculosis sobre la distribución y las tendencias de la incidencia de la enfermedad de tuberculosis [18], estimaciones de población de la Encuesta sobre la Comunidad Estadounidense [19], datos del Centro Nacional de Estadísticas de Salud y estimaciones de las tasas de mortalidad históricas y futuras [20], y estimaciones de la Encuesta Nacional de Examen de Salud y Nutrición de 2011 sobre la positividad de las pruebas LTBI [21]. Las tendencias en el volumen de inmigración futuro se basan en las proyecciones de la Oficina del Censo de EE. UU. [22], y se supone que la prevalencia de la infección por tuberculosis entre los futuros inmigrantes caerá un 2,0% anual (detalles en [14]). Las suposiciones sobre los resultados del tratamiento de la LTBI y la tuberculosis se extraen de datos de informes estatales y nacionales sobre el manejo de contactos con casos de tuberculosis [23], así como de evidencia publicada previamente [14]. La Figura 2 muestra datos clave de entrada y calibración para los 50 estados modelados y el Distrito de Columbia.

Datos de tuberculosis informados de 2019 para cada estado de EE. UU. y el Distrito de Columbia. Leyenda: Estos datos se utilizaron para calibrar el modelo de TB subyacente. Datos de casos de tuberculosis del Sistema Nacional de Vigilancia de la Tuberculosis para 2019 [6]. Muertes por tuberculosis según las causas múltiples de muerte de los CDC para 2019 [20]. NA representa recuentos de muertes menores de 10 que están suprimidos. Fracciones de población de la Encuesta sobre la comunidad estadounidense de 2019 [19]. El porcentaje de finalización de TLTBI son los valores de 2017 informados en el Informe de indicadores de ciudades y estados de 2019 [23]

El modelo se ajustó utilizando un enfoque de calibración bayesiano [24, 25]. Especificamos distribuciones de probabilidad para representar la incertidumbre en los parámetros del modelo (priores) y funciones de probabilidad para representar evidencia independiente sobre los resultados modelados. Luego utilizamos un enfoque de optimización que combina los algoritmos de Nelder-Mead y Broyden-Fletcher-Goldfarb-Shannon (BFGS) [26, 27] para identificar la moda de la distribución posterior, calculada como el producto de la distribución anterior y la probabilidad. Las estimaciones puntuales informadas en Tabby2 representan la moda posterior de los parámetros del modelo calibrado. Archivo adicional 1: La Figura S1 muestra un ejemplo de los resultados de calibración para Massachusetts, que también están disponibles en la herramienta en línea para cada geografía modelada.

Para calibrar los modelos a nivel estatal, primero restringimos los parámetros que no se esperaba que variaran entre los estados de EE. UU. (es decir, características generales de la historia natural de la tuberculosis) a los valores obtenidos en la calibración a nivel nacional, luego calibramos los parámetros restantes con datos epidemiológicos específicos de cada estado. (Archivo adicional 1: Tabla S1). Este enfoque de dos pasos tiene en cuenta la variación a nivel estatal en los resultados observados de la tuberculosis y las distribuciones de los factores de riesgo, manteniendo al mismo tiempo una representación consistente de la historia natural de la tuberculosis y el efecto de los factores de riesgo individuales.

Ajustamos estos modelos calibrados para permitir cambios en la epidemiología, la mortalidad y la detección de casos de tuberculosis durante la pandemia de COVID-19. Supusimos que los cambios observados en los casos y muertes notificados por tuberculosis podrían atribuirse a cuatro mecanismos: reducción de la inmigración, reducción de las tasas de diagnóstico e inicio de tratamiento para personas con enfermedad de tuberculosis, reducción de las tasas de contacto respiratorio y aumento de la mortalidad entre aquellos con enfermedad de tuberculosis. Utilizando una rutina de optimización bayesiana, identificamos la combinación de cambios en estos mecanismos que mejor reproducían los totales de casos de enfermedad de tuberculosis de 2020 (en general, entre los inmigrantes recientes, atribuidos a la transmisión reciente) y las muertes por tuberculosis a nivel nacional, manteniendo al mismo tiempo la coherencia con los cambios informados en Tasas de inmigración y contacto respiratorio durante el período [28, 29]. Aplicamos los valores de los parámetros ajustados a todos los estados. Se supuso que los cambios comenzarían en marzo de 2020, se mantendrían constantes hasta enero de 2022 y regresarían linealmente a los valores anteriores a 2020 durante el período 2022-2023.

Los usuarios de Tabby2 primero seleccionan un área geográfica de interés en la página de Introducción. Luego, la aplicación los dirige a la sección Escenarios, donde especifican escenarios para comparar en las páginas Escenarios predefinidos y Crear escenarios personalizados. A continuación, los usuarios son guiados a la sección Resultados modelados, donde los resultados del modelo están disponibles en las páginas Estimaciones, Tendencias temporales, Grupos de edad, Recuentos de servicios y Comparación con datos recientes. Finalmente, los usuarios pueden utilizar la sección Análisis económico para estimar los costos, los beneficios para la salud y la rentabilidad de las intervenciones definidas en las páginas Costos de insumos, Costos y resultados y Comparación de rentabilidad. La barra lateral de la herramienta sirve como principal ayuda de navegación para el usuario. La Tabla 1 proporciona una descripción detallada de la funcionalidad de cada sección de la herramienta web.

En la solicitud, se utiliza un escenario de caso base para estimar resultados futuros bajo el supuesto de que una calidad y un nivel de utilización similares de los servicios de tuberculosis durante el período de calibración continuarán durante el período de proyección. La aplicación también permite a los usuarios especificar escenarios alternativos para compararlos con este escenario base.

En Tabby2 se especifican cinco escenarios (“Escenarios predefinidos”): (1) provisión de pruebas de LTBI y tratamiento de LTBI para todos los nuevos inmigrantes que ingresan a los Estados Unidos (“TLTBI para nuevos inmigrantes”); (2) una mayor aceptación de las pruebas y el tratamiento de la LTBI entre las poblaciones de alto riesgo, duplicando la aceptación del tratamiento dentro de cada grupo de riesgo en comparación con los niveles actuales y aumentando la fracción curada entre las personas que inician el tratamiento de la LTBI, mediante un régimen farmacológico de isoniazida-rifapentina de 3 meses ( “TLTBI mejorado en Estados Unidos”); (3) una mejor detección de la enfermedad de tuberculosis, de modo que la duración de la enfermedad activa no tratada (es decir, el tiempo desde la incidencia de la tuberculosis hasta el inicio del tratamiento) se reduzca en un 50% (“Mejor detección de casos”); (4) mejora de la calidad del tratamiento contra la tuberculosis, de modo que el incumplimiento del tratamiento, las tasas de fracaso y la fracción de personas que reciben un régimen farmacológico incorrecto se reduzcan en un 50% con respecto a los niveles actuales (“Mejor tratamiento contra la tuberculosis”); y (5) la combinación de cada uno de estos cambios individuales (“Todas las mejoras”). Los detalles sobre la parametrización de estos escenarios se pueden encontrar en el archivo adicional 1: Tabla S2.

Además de los escenarios predefinidos, los usuarios pueden especificar escenarios personalizados modificando los supuestos sobre las cascadas de atención de LTBI y TB, y agregando pruebas adicionales de LTBI e intervenciones de tratamiento para poblaciones específicas (“escenarios personalizados”). Los escenarios personalizados permiten a los usuarios seleccionar diferentes opciones para pruebas y tratamiento específicos de LTBI (“intervenciones de tratamiento y pruebas específicas”) o para tratamiento de tuberculosis o LTBI (“cambios en cascada de atención”). La Figura 3 muestra la interfaz de la página “Pruebas específicas e intervenciones de tratamiento”. Los usuarios también pueden crear escenarios que sean una combinación de cambios, especificados en la página "Escenarios combinados".

El creador de escenarios de intervención de tratamiento y pruebas específicas. Leyenda: Al utilizar esta interfaz, los usuarios pueden diseñar y simular intervenciones personalizadas que modifican los niveles de pruebas y tratamientos específicos para poblaciones específicas.

Para cada escenario, Tabby2 informa un conjunto de resultados que describen diferentes características de la epidemiología de la tuberculosis, incluida la infección incidente por Mycobacterium tuberculosis, la prevalencia de LTBI, la incidencia de tuberculosis y las muertes relacionadas con la tuberculosis, para el período 2022-2050. Los resultados se presentan en tres páginas interactivas (Estimaciones, Tendencias temporales, Grupos de edad) con resultados resumidos en visualizaciones personalizables y tablas de datos descargables. Los resultados se pueden filtrar por nacimiento y/o grupo de edad y presentarse como valores absolutos, porcentajes del caso base en el mismo año o porcentajes del caso base en 2022. La página Recuentos de servicios proporciona tendencias temporales del número de servicios de salud. , como las pruebas de LTBI, los inicios y finalizaciones de tratamientos de LTBI y los inicios y finalizaciones de tratamientos de tuberculosis. Una página adicional de Tabby2, Comparación con datos recientes, compara los resultados modelados con evidencia empírica reciente para el entorno modelado, para permitir a los usuarios confirmar el ajuste del modelo.

La herramienta informa varios resultados relacionados con los costos y la rentabilidad. La página de introducción de costos proporciona un texto introductorio que explica los análisis económicos, y la página Costos de entrada permite a los usuarios ingresar datos de costos, seleccionar el período de análisis y elegir si se aplica una tasa de descuento a costos y resultados futuros, lo cual se recomienda para costos incrementales. Cálculos del ratio de efectividad. Los costos predeterminados se basan en los reembolsos permitidos por Medicare a nivel nacional para pruebas y servicios informados por los Centros de Medicare y Medicaid [30, 31], y análisis de costos realizados por los CDC [32]. Los usuarios pueden reemplazar los valores predeterminados con entradas específicas del estado cuando estén disponibles. Se supone que todos los costos están expresados ​​en dólares de 2020. Con base en estos aportes, la página Costos y resultados informa los resultados y costos de salud para cada escenario modelado. La página de comparación de costo-efectividad proporciona índices de costo-efectividad para los casos de tuberculosis y las muertes evitadas, los años de vida salvados y los años de vida ajustados por calidad (AVAC) ahorrados para cada escenario seleccionado por el usuario. Consulte el archivo adicional 2 para obtener una lista detallada de los costos y los métodos de análisis económico utilizados en estas páginas de Tabby2 [30,31,32,33,34,35,36,37,38,39,40,41,42,43, 44,45].

Utilizamos Massachusetts como estudio de caso para demostrar la funcionalidad de Tabby2 para investigar un escenario de intervención para acelerar la prevención de la tuberculosis mediante mayores pruebas y tratamiento de LTBI en comparación con el escenario del caso base. Utilizando el Generador de escenarios personalizados, especificamos un escenario que representa las pruebas y el tratamiento de LTBI para el 10 % de la población total del estado no nacida en los EE. UU. anualmente entre 2025 y 2029 (aproximadamente el 50 % acumulativo); todos los demás parámetros se mantuvieron en los niveles del caso base. Los costos de intervención se calcularon utilizando el servicio de salud promedio nacional y los costos de productividad (consulte el archivo adicional 2 para conocer los valores).

La Figura 4 informa las tendencias a nivel estatal en la incidencia de tuberculosis, la mortalidad relacionada con la tuberculosis y la prevalencia de LTBI entre 2022 y 2050 en el escenario base. Durante este período, se proyectó que las tasas de incidencia de tuberculosis del caso base disminuirían en todos los estados. La reducción de las tasas de incidencia de tuberculosis (en comparación con los valores de 2022) osciló entre el 20,56 % en Iowa y el 86,70 % en Montana (reducción media del 48,50 % en los 50 estados y el Distrito de Columbia). Para 2050, se proyectó que las tasas de incidencia de tuberculosis oscilarían entre 3,77 por 100.000 personas en Hawaii y 0,03 por 100.000 personas en Montana (mediana = 0,95 por 100.000 personas). En general, se proyectó que la tasa de disminución de la incidencia de la tuberculosis sería mayor en los estados con una inmigración anual relativamente baja como fracción de la población total. En todos los estados, se proyectó que el caso base de infecciones por tuberculosis, la prevalencia de LTBI y las muertes relacionadas con la tuberculosis disminuirían a un valor medio de 2,20 por 100 000 personas (rango de 0,06 a 25,80 por 100 000 personas en todos los estados), 1,21 % (0,59 % –2,88%) y 0,14 por 100.000 personas (0,005-0,67 por 100.000 personas) para 2050, respectivamente. Los resultados numéricos para cada resultado y estado se pueden encontrar en el archivo adicional 1: Tabla S3.

Tendencias proyectadas en los resultados de la tuberculosis para cada geografía modelada, de 2022 a 2050. Leyenda: Las tendencias se muestran en la escala logarítmica. Los resultados destacados representan a EE. UU. en general y los cuatro estados que representan más del 50 % de la tuberculosis notificada en 2019 (California, Texas, Florida y Nueva York).

Las proyecciones también mostraron cambios sistemáticos en la distribución de la enfermedad de tuberculosis en la población. En 2022, el porcentaje estimado por el modelo del total de personas con enfermedad de tuberculosis entre personas no nacidas en los EE. UU. osciló entre el 5,12 % en Montana y el 87,17 % en Rhode Island (mediana = 68,93 %). Para 2050, estas fracciones aumentaron a una mediana del 83,01 % (17,42–96,73 %) y 46 de los 50 estados de EE. UU. y el Distrito de Columbia tenían la mayor parte (>50 %) de su incidencia de tuberculosis entre la población no nacida en EE. UU. . El porcentaje de casos estimado por el modelo entre personas de 65 años o más osciló entre el 13,43 % en Dakota del Norte y el 46,96 % en Virginia Occidental (mediana = 28,39 %) en 2022, y se proyectó que aumentaría hasta el 19,19 % (el Distrito de Columbia). y 60,34% (Idaho) (mediana = 34,18%) para 2050.

En Massachusetts, se estimó que la fracción de enfermedad de tuberculosis entre personas no nacidas en los EE. UU. en el escenario base aumentaría del 85,76% en 2022 al 91,49% en 2050. En este escenario, se proyecta que la incidencia de tuberculosis disminuirá de 2,57 por 100.000 personas. en 2025 a 1,80 por 100.000 personas en 2050 (Fig. 5a). En el escenario mejorado de intervención de tratamiento y pruebas de LTBI, la incidencia de tuberculosis caerá a 1,72 por 100.000 personas en 2050, una disminución del 4,65%.

Páginas de resultados de Tabby2 para tendencias de incidencia de tuberculosis y estimaciones de rentabilidad. Leyenda: A El panel “Tendencias temporales” de Tabby2, que muestra los resultados del caso base y los escenarios ampliados de pruebas y tratamiento de LTBI en Massachusetts. B El panel “Comparación de costo-efectividad” de Tabby2 que muestra los resultados de costo-efectividad para el escenario ampliado de pruebas y tratamiento de LTBI, en comparación con el escenario base.

En 2025, las muertes por tuberculosis en Massachusetts se estiman en 0,213 por 100.000 personas y disminuirán a 0,169 por 100.000 personas en el caso base y a 0,158 por 100.000 personas en el escenario de intervención para 2050. Se muestran los resultados en el panel de rentabilidad de Tabby2. en la figura 5b. En comparación con el caso base, se estima que el escenario de intervención evitará 290 casos de tuberculosis (4.581 a 4.290) y 34 muertes asociadas a la tuberculosis (407 a 373) entre 2022 y 2050, a un costo incremental no descontado de 51.864 millones de dólares. En el mismo período, los AVAC perdidos debido a la tuberculosis disminuyeron de 8838 a 8208. Desde una perspectiva social con un descuento del 3 %, las relaciones incrementales de costo-efectividad en dólares de 2020 fueron de $286 143 por caso adicional de tuberculosis prevenido, $2 480 546 por muerte adicional prevenida y $180 951. por AVAC adicional ganado.

Las tasas de incidencia de tuberculosis en los Estados Unidos han disminuido en 26 de los últimos 29 años [1]. Esta tendencia a la baja se estancó en los últimos años, excepto por una fuerte caída en 2020 asociada con la pandemia de COVID-19 y el posterior aumento en 2021 [5, 7]. Las proyecciones a nivel estatal de la incidencia de la tuberculosis según los supuestos del caso base creados con la herramienta Tabby2 muestran disminuciones continuas en las tasas de incidencia de la tuberculosis en 50 estados y el Distrito de Columbia, en consonancia con otros análisis [14, 46]. Sin embargo, estas proyecciones a nivel estatal muestran una variación considerable. Entre 2022 y 2050, las reducciones en las tasas de incidencia a nivel estatal oscilaron entre el 20,56% en Iowa y el 86,70% en Montana. Esta variación refleja diferencias interestatales en los factores que impulsan la epidemiología de la tuberculosis, incluida la carga de la LTBI histórica, el acceso a los servicios de prevención y tratamiento de la tuberculosis y las tasas de inmigración. Las proyecciones de incidencia de tuberculosis brindan información sobre el progreso que los estados individuales pueden esperar con los enfoques actuales de control de la tuberculosis basados ​​en parámetros históricos y brindan un caso base con el cual se puede comparar el progreso futuro.

Las proyecciones del caso base modelado también brindan información sobre cómo la enfermedad de tuberculosis puede afectar a varios grupos de población en el futuro. Para la mayoría de los estados de EE. UU. y el Distrito de Columbia, se proyectó que la mayor parte de la incidencia futura de la enfermedad de tuberculosis ocurriría entre la población no nacida en los EE. UU. Durante el período 2022-2050, la fracción proyectada de casos de tuberculosis entre la población no nacida en Estados Unidos osciló entre 4,9% y 86,8% en todos los estados y, en general, aumentó con el tiempo. Este aumento es consecuencia de la disminución de la tuberculosis en las poblaciones nacidas en Estados Unidos, las previsiones de inmigración superiores a las normas históricas y las lentas reducciones de la carga de tuberculosis entre las cohortes de inmigrantes [47].

El estudio de caso de los servicios ampliados de prevención de la tuberculosis que utilizan pruebas dirigidas al 10 % de las personas no nacidas en los EE. UU. cada año entre 2025 y 2029 en Massachusetts proporciona un ejemplo de cómo se pueden investigar escenarios alternativos a través de Tabby2. En este estudio de caso, se estimó que la expansión de las pruebas y el tratamiento de la LTBI produciría una reducción del 6 % en los casos acumulados de tuberculosis entre 2025 y 2050, y una reducción del 8 % en las muertes por tuberculosis, en comparación con la proyección del caso base. Los análisis de costo-efectividad para este escenario de intervención produjeron una relación costo-efectividad incremental de $180,951 por AVAC ganado cuando se evaluó desde una perspectiva social en comparación con el caso base de ninguna intervención adicional. Este resultado es similar a los resultados de un estudio de modelado anterior de TTT centrado en los cuatro estados con mayor incidencia de tuberculosis (California, Texas, Florida, Nueva York), que estimó índices de costo-efectividad incrementales (ICER) que oscilaban entre $ 74 000 y $ 174 000 (USD 2018). ) [48]. Otros estudios han demostrado costos más bajos por AVAC obtenidos al realizar pruebas y tratar a la población NUSB [49, 50].

Este estudio de caso demuestra la utilidad potencial de los modelos de intervención contra la tuberculosis específicos de una ubicación. La demanda de modelos matemáticos para apoyar la toma de decisiones en materia de salud pública ha aumentado en los últimos años. Dentro de la tuberculosis, este aumento ha llevado al desarrollo de normas y estándares sobre cómo se utiliza el modelado para respaldar la formulación de políticas [51, 52] y al desarrollo de plataformas de modelado flexibles que se adaptan a nuevos entornos [53, 54]. Se pueden utilizar aplicaciones web fáciles de usar para difundir y compartir los resultados de modelos de políticas complicados, lo que puede aumentar su accesibilidad y utilidad para los formuladores de políticas. Tabby2 representa una herramienta de apoyo a la toma de decisiones que no requiere experiencia ni inversión significativa en programación y modelado matemático, está precalibrado con datos históricos de cada estado de EE. UU. y el Distrito de Columbia y proporciona proyecciones tanto del impacto de la intervención como de la rentabilidad.

Varias limitaciones acompañan a los requisitos de una herramienta en línea. En primer lugar, la herramienta heredará las limitaciones de su modelo subyacente, que simplifica los supuestos sobre los procesos epidemiológicos y de servicios de salud similares a otros modelos de políticas de salud aplicadas [55]. En segundo lugar, el contexto epidemiológico de los entornos modelados cambiará con el tiempo, por lo que, si no se revisa, el modelo quedará obsoleto. Sin embargo, como el modelo está alojado en línea, podemos actualizarlo periódicamente a medida que haya nueva evidencia disponible sobre las tendencias de la tuberculosis en los EE. UU., los flujos migratorios, la prevalencia de la infección por tuberculosis entre los nuevos inmigrantes y las características de la intervención. Además, hay varios estados con una carga baja de tuberculosis, lo que da como resultado menos datos a los que se puede ajustar el modelo, lo que puede aumentar la incertidumbre de las estimaciones para estas ubicaciones. En tercer lugar, si bien la herramienta permite modelar una variedad de estrategias diferentes, su flexibilidad es limitada en comparación con el modelo subyacente; Este diseño se debe al deseo de una interfaz fácil de usar. Sin embargo, los escenarios de intervención se pueden agregar o actualizar según la demanda de los usuarios. En cuarto lugar, a medida que la herramienta amplía el acceso a nuevos usuarios, esta audiencia puede estar menos familiarizada con las limitaciones de los resultados modelados. Como tal, es fundamental incluir documentación clara y soporte al usuario para permitir entradas e interpretación adecuadas de los resultados. Finalmente, debido a la necesidad de minimizar el retraso entre la entrada de datos del usuario y la devolución de los resultados, el modelo ejecuta una simulación basada en un único conjunto de valores de parámetros que mejor se ajusta. Por el contrario, es convencional que los análisis de políticas basados ​​en modelos ejecuten múltiples simulaciones utilizando una gran cantidad de conjuntos de parámetros plausibles para representar la incertidumbre en los resultados modelados [56]. Al basar los resultados en una sola simulación, la herramienta no proporciona estimaciones de incertidumbre, lo que puede ser particularmente relevante para los estados con una pequeña cantidad de casos de tuberculosis notificados. Análisis anteriores [14, 16] también han demostrado la sensibilidad de las tendencias futuras de la tuberculosis a los cambios en el volumen de migración y la prevalencia de la infección de tuberculosis entre los migrantes, que el usuario no puede variar en la herramienta actual. Para abordar las limitaciones de producción de Tabby2, el código del modelo subyacente (MITUS) está disponible para modificaciones y extensiones más allá de lo que se proporciona en la herramienta.

A pesar de estas limitaciones, Tabby2 proporciona una herramienta web accesible para explorar la epidemiología y las intervenciones de la tuberculosis en los Estados Unidos. El software epidemiológico anterior requería descargas que conllevaban dependencias y requisitos de compatibilidad [53, 57]; La presencia en línea de Tabby2 sólo requiere un navegador moderno, lo que aumenta el acceso a usuarios potenciales. El predecesor de Tabby2, Tabby, se basó en tablas de consulta que limitaban el número de escenarios que podían verse y solo proporcionaba estimaciones para los Estados Unidos a nivel nacional [58]. El enfoque geográfico ampliado de Tabby2 también permite la exploración de geografías subnacionales basadas en datos locales, lo que aumenta la relevancia de sus estimaciones. Como el modelo está alojado en un servidor y se accede a él a través de una interfaz web, se puede revisar a medida que se disponga de nuevos datos epidemiológicos y demográficos.

Si bien la tuberculosis continúa disminuyendo en los Estados Unidos, estas reducciones pueden acelerarse mediante una planificación de intervención eficaz. Tabby2 proporciona una herramienta en línea de acceso abierto para estimar y visualizar los resultados futuros de la tuberculosis y sus costos asociados para cada estado de EE. UU. y el Distrito de Columbia. Esta herramienta permite a los usuarios definir y simular múltiples escenarios que representan mejoras en las pruebas específicas y en cascadas de tratamiento y atención para la enfermedad de tuberculosis y el tratamiento de LTBI, utilizando datos específicos de la ubicación. Herramientas como Tabby2 pueden facilitar la investigación interactiva de opciones de políticas y brindar a los tomadores de decisiones una comprensión más profunda de los beneficios relativos de los diferentes enfoques en su localidad.

Nombre del proyecto: Tabby2

Página de inicio del proyecto: https://ppmltools.org/tabby2/

https://github.com/ppml/tabby2

Sistema(s) operativo(s): Independiente de la plataforma

Lenguaje de programación: R versión 4.0.2

Otros requisitos: Requiere un navegador web moderno como Firefox, Safari, Microsoft Edge, Google Chrome, etc.

Licencia: Licencia MIT

Los conjuntos de datos generados y/o analizados durante el estudio actual están disponibles en el repositorio MITUS GitHub en https://github.com/PPML/MITUS.

Broyden-Fletcher-Goldfarb-Shannon

Relación costo-efectividad incremental

Ensayo de liberación de interferón gamma

Infección tuberculosa latente

Años de vida ajustados por calidad

Tuberculosis

Modelado de intervenciones sobre la tuberculosis en los Estados Unidos

Pruebas y tratamiento dirigidos

Estados Unidos

Departamento de Salud y Servicios Humanos de EE. UU., Centros para el Control y la Prevención de Enfermedades (CDC). Tuberculosis reportada en los Estados Unidos, 2018, 2019, 2020. https://www.cdc.gov/tb/statistics/reports/2018/default.htm; https://www.cdc.gov/tb/statistics/reports/2019/default.htm;https://www.cdc.gov/tb/statistics/reports/2020/default.htm. Consultado el 14 de abril de 2022.

Miramontes R, Hill AN, Woodruff RSY, Lambert LA, Navin TR, Castro KG, et al. Infección por tuberculosis en los Estados Unidos: estimaciones de prevalencia de la Encuesta nacional de examen de salud y nutrición, 2011-2012. Más uno. 2015;10:e0140881. https://doi.org/10.1371/journal.pone.0140881.

Artículo CAS PubMed PubMed Central Google Scholar

Haddad MB, Raz KM, Lash TL, Hill AN, Kammerer JS, Winston CA, et al. Estimaciones simples de la prevalencia local de la infección tuberculosa latente, Estados Unidos, 2011-2015. Enfermedad infecciosa emergente. 2018;24:1930. https://doi.org/10.3201/eid2410.180716.

Artículo PubMed PubMed Central Google Scholar

Bibbins-Domingo K, Grossman DC, Curry SJ, Bauman L, Davidson KW, Epling JW, et al. Detección de infección tuberculosa latente en adultos: declaración de recomendación del Grupo de Trabajo de Servicios Preventivos de EE. UU. JAMA. 2016;316(9):962–9.

Artículo PubMed Google Scholar

Deutsch-Feldman M, Pratt RH, Price SF, Tsang CA, Self JL. Tuberculosis: Estados Unidos, 2020. MMWR Morb Mortal Wkly Rep. 2021;70(12):409.

Artículo CAS PubMed PubMed Central Google Scholar

Sistema de Información sobre Tuberculosis en Línea (OTIS), Sistema Nacional de Vigilancia de la Tuberculosis, Estados Unidos, 1993-2019. Departamento de Salud y Servicios Humanos de EE. UU. (DHHS de EE. UU.), Centros para el Control y la Prevención de Enfermedades (CDC), base de datos en línea CDC WONDER. 2019. Datos de todos los años actualizados al 6 de junio de 2019. https://wonder.cdc.gov/TB-v2019.html Consultado el 13 de febrero de 2020.

Google Académico

Filardo TD, Feng PJ, Pratt RH, Price SF, Self JL. Tuberculosis: Estados Unidos, 2021. MMWR Morb Mortal Wkly Rep. 2022;71(12):441.

Artículo PubMed PubMed Central Google Scholar

Centros para el Control y la Prevención de Enfermedades, Centro Nacional para la Prevención del VIH/SIDA, la Hepatitis Viral, las ETS y la Tuberculosis. Infección tuberculosa latente: una guía para proveedores de atención primaria de salud. 2019. https://www.cdc.gov/tb/publications/ltbi/default.htm. Consultado el 6 de septiembre de 2022.

Google Académico

Chang W, Cheng J, Allaire J, Xie Y, McPherson J. Shiny: marco de aplicación web para r. 2020. https://CRAN.R-project.org/package=shiny.

Google Académico

Equipo central de R. R: Un lenguaje y entorno para la informática estadística. Viena: Fundación R para la Computación Estadística; 2020. https://www.R-project.org/

Google Académico

Eddelbuettel D, Francois R. Rcpp: Integración perfecta de R y C++. Revista de software estadístico. 2011:40(8):1–18. https://doi.org/10.18637/jss.v040.i08

Wickham H. ggplot2: Gráficos elegantes para análisis de datos. Nueva York: Springer-Verlag; 2016. https://ggplot2.tidyverse.org

Reservar Google Académico

Wickham H, François R, Henry L, Müller K. Dplyr: Una gramática de la manipulación de datos. 2021. https://CRAN.R-project.org/package=dplyr.

Google Académico

Menzies NA, Cohen T, Hill AN, Yaesoubi R, Galer K, Wolf E, et al. Perspectivas de eliminación de la tuberculosis en los Estados Unidos: resultados de un modelo dinámico de transmisión. Soy J Epidemiol. 2018;187:2011–20. https://doi.org/10.1093/aje/kwy094.

Artículo PubMed PubMed Central Google Scholar

Menzies NA, Parriott A, Shrestha S, Dowdy DW, Cohen T, Salomon JA, et al. Modelado comparativo de la epidemiología y los resultados de las políticas de la tuberculosis en California. Am J Respir Crit Care Med. 2019;201:356–65. https://doi.org/10.1164/rccm.201907-1289OC.

Artículo de Google Scholar

Menzies NA, Bellerose M, Testa C, Swartwood NA, Malyuta Y, Cohen T, et al. Impacto del control mundial eficaz de la tuberculosis en los resultados económicos y de salud en los Estados Unidos. Am J Respir Crit Care Med. 2020;202:1567–75. https://doi.org/10.1164/rccm.202003-0526OC.

Artículo PubMed PubMed Central Google Scholar

Menzies NA, Swartwood N, Testa C, Malyuta Y, Hill AN, Marks SM, et al. Tiempo transcurrido desde la infección y riesgos de enfermedades futuras para personas con infección por Mycobacterium tuberculosis en los Estados Unidos. Epidemiología. 2021;32:70–8. https://doi.org/10.1097/EDE.0000000000001271.

Artículo PubMed Google Scholar

Centros para el Control y la Prevención de Enfermedades, Centro Nacional para la Prevención del VIH/SIDA, la Hepatitis Viral, las ETS y la Tuberculosis. Sistema Nacional de Vigilancia de la Tuberculosis Personas Saludables 2020. https://www.healthypeople.gov/2020/data-source/national-tb-surveillance-system. Consultado el 7 de mayo de 2021.

Google Académico

Ruggles S, Genadek K, Goeken R. Serie de microdatos de uso público integrado: Encuesta sobre la comunidad estadounidense, versión 6.0. Minneapolis: Universidad de Minnesota; 2015. https://usa.ipums.org/usa/

Google Académico

Departamento de Salud y Servicios Humanos de los Estados Unidos (US DHHS), Centros para el Control y la Prevención de Enfermedades (CDC), Centro Nacional de Estadísticas de Salud (NCHS), Causas múltiples de muerte 1999-2020 en la base de datos en línea CDC WONDER, publicada en 2021. Los datos son compilado a partir de datos proporcionados por las 57 jurisdicciones de estadísticas vitales a través del Programa Cooperativo de Estadísticas Vitales. http://wonder.cdc.gov/mcd-icd10.html. Consultado el 15 de enero de 2022.

Centro Nacional de Estadísticas de Salud. Encuestas Nacionales de Examen de Salud y Nutrición (NHANES): Manual de procedimientos de laboratorio. Atlanta: Centros para el Control y la Prevención de Enfermedades de EE. UU.; 2011. https://www.cdc.gov/nchs/data/nhanes/nhanes_11_12/2011-12_laboratory_procedures_manual.pdf Consultado el 15 de enero de 2022.

Google Académico

Oficina del Censo de EE.UU. Metodología, supuestos e insumos para las proyecciones nacionales de población de 2017. 2018. https://www2.census.gov/programs-surveys/popproj/technical-documentation/methodology/methodstatement17.pdf

Google Académico

Informe de tuberculosis estatal y municipal de 2017. 2019. https://www.cdc.gov/tb/statistics/StateCity-TBReport.htm. Consultado el 13 de febrero de 2020.

Menzies NA, Soeteman DI, Pandya A, Kim JJ. Métodos bayesianos para calibrar modelos de políticas de salud: un tutorial. Farmacoeconomía. 2017;35:613–24. https://doi.org/10.1007/s40273-017-0494-4.

Artículo PubMed PubMed Central Google Scholar

Jackson CH, Jit M, Sharples LD, De Angelis D. Calibración de modelos complejos mediante síntesis de evidencia bayesiana: demostración y tutorial. Med Decis Mak. 2015;35:148–61. https://doi.org/10.1177/0272989X13493143.

Artículo de Google Scholar

Nelder JA, Mead R. Un método simplex para la minimización de funciones. Comput J. 1965;7:308–13. https://doi.org/10.1093/comjnl/7.4.308.

Artículo de Google Scholar

Nocedal J, Wright S. Optimización numérica. Nueva York: Springer Nueva York. 2da ed: Serie Springer en Investigación de Operaciones e Ingeniería Financiera; 2006.

Gibson I. Informe anual de flujo de residentes permanentes legales de EE. UU. Washington, DC: Departamento de Seguridad Nacional; 2020.

Feehan DM, Mahmud AS. Cuantificación de los patrones de contacto de la población en los Estados Unidos durante la pandemia de COVID-19. Comuna Nacional. 2021;12(1):1–9.

Artículo de Google Scholar

Centros de servicios de Medicare y Medicaid. Reglamento CMS-1693-F. 2019. Obtenido de https://www.cms.gov/Medicare/Medicare-Fee-for-Service-Payment/PhysicianFeeSched/PFS-Federal-Regulation-Notices-Items/CMS-1693-F.html Consultado el 23 de febrero de 2022.

Google Académico

Centros de servicios de Medicare y Medicaid. Lista de tarifas de laboratorio clínico, lista de tarifas de 2020. 2019 http://www.cms.hhs.gov/ClinicalLabFeeSched Consultado el 23 de febrero de 2022.

Google Académico

Centros de Control y Prevención de Enfermedades. Estimaciones de los CDC para los costos del tratamiento de la tuberculosis. Atlanta: Centros para el Control y la Prevención de Enfermedades, Centro Nacional para la Prevención del VIH/SIDA, la Hepatitis Viral, las ETS y la Tuberculosis, División de Eliminación de la Tuberculosis; 2020. https://www.cdc.gov/tb/publications/infographic/appendix.htm. Consultado el 25 de mayo de 2021.

Google Académico

HMD. Base de datos sobre mortalidad humana. Instituto Max Planck de Investigaciones Demográficas (Alemania), Universidad de California, Berkeley (EE.UU.) e Instituto Francés de Estudios Demográficos (Francia). www.mortalidad.org. Consultado el 24 de mayo de 2021.

Holanda DP, Sanders GD, Hamilton CD, Stout JE. Costos y rentabilidad de cuatro regímenes de tratamiento para la infección tuberculosa latente. Am J Respir Crit Care Med. 2009;179(11):1055–60.

Artículo PubMed PubMed Central Google Scholar

Guo N, Marra CA, Marra F, Moadebi S, Elwood RK, FitzGerald JM. Utilidades del estado de salud en tuberculosis latente y activa. Valorar la salud. 2008;11(7):1154–61.

Artículo PubMed Google Scholar

Sterling TR, Villarino ME, Borisov AS, Shang N, Gordin F, Bliven-Sizemore E, et al. Tres meses de rifapentina e isoniazida para infección tuberculosa latente. N Inglés J Med. 2011;365(23):2155–66.

Artículo CAS PubMed Google Scholar

Oficina de Análisis Económico. Índices de Gastos de Consumo Personal (PCE) para servicios de salud hospitalarios y ambulatorios. https://apps.bea.gov/iTable/iTable.cfm?reqid=19&step=2#reqid=19&step=2&isuri=1&1921=survey Consultado el 5 de febrero de 2021.

Departamento de Asuntos de Veteranos de EE. UU. Centro Nacional de Adquisiciones, herramienta de búsqueda de catálogos de contratos, búsqueda de catálogos farmacéuticos. https://www.vendorportal.ecms.va.gov/nac/Pharma/List Consultado en febrero de 2021.

Shepardson D, Marks SM, Chesson H, Kerrigan A, Holland DP, Scott N, et al. Rentabilidad de un régimen de 12 dosis para el tratamiento de la infección tuberculosa latente en los Estados Unidos. Int J Tuberc enfermedad pulmonar. 2013;17(12):1531–7.

Artículo CAS PubMed Google Scholar

Centros de Control y Prevención de Enfermedades. Tuberculosis reportada en los Estados Unidos. 2019. Atlanta: Centros para el Control y la Prevención de Enfermedades, Centro Nacional para la Prevención del VIH/SIDA, la Hepatitis Viral, las ETS y la Tuberculosis, División de Eliminación de la Tuberculosis; 2021. Tabla 9 y Resumen Ejecutivo https://www.cdc.gov/tb/statistics/reports/2020/table9.htm https://www.cdc.gov/tb/statistics/reports/2020/Exec_Commentary.html, consultado por última vez el 16 de febrero de 2021.

Taylor Z, Marks SM, Rios Burrows NM, Weis SE, Stricof RL, Miller B. Causas y costos de hospitalización de pacientes con tuberculosis en los Estados Unidos. Int J Tuberc enfermedad pulmonar. 2000;4(10):931–9.

CAS PubMed Google Académico

Aslam MV, Owusu-Edusei K, Marks SM, Asay GR, Miramontes R, Kolasa M, et al. Número y costo de hospitalizaciones con diagnóstico principal y secundario de tuberculosis, Estados Unidos. Int J Tuberc enfermedad pulmonar. 2018;22(12):1495–504.

Artículo CAS PubMed Google Scholar

Oficina de Estadísticas Laborales de EE. UU. Ingresos promedio por hora de los empleados de producción y no supervisores, total privado [CEU0500000008]; https://data.bls.gov/timeseries/CEU0500000008 Consultado el 3 de febrero de 2021.

Grosse SD, Krueger KV, Pike J. Productividad laboral estimada anual y vitalicia en los Estados Unidos, 2016: implicaciones para las evaluaciones económicas. J Med Economía. 2019;22(6):501–8.

Artículo PubMed Google Scholar

Neumann PJ, Sanders GD, Russell LB, Siegel JE, Ganiats TG. Costo-efectividad en salud y medicina. Nueva York: Oxford University Press; 2016.

Shrestha S, Hill AN, Marks SM, Dowdy DW. Comparación de los impulsores y la dinámica de la tuberculosis en California, Florida, Nueva York y Texas. Am J Respir Crit Care Med. 2017;196(8):1050–9. https://doi.org/10.1164/rccm.201702-0377OC.

Artículo PubMed Google Scholar

Menzies NA, Hill AN, Cohen T, Salomon JA. El impacto de la migración sobre la tuberculosis en los Estados Unidos. Int J Tuberc enfermedad pulmonar. 2018;22(12):1392–403.

Artículo CAS PubMed Google Scholar

Jo Y, Shrestha S, Gomes I, Marks S, Hill A, Asay G, et al. Rentabilidad basada en modelos de intervenciones contra la tuberculosis latente a nivel estatal en California, Florida, Nueva York y Texas. Clin Infect Dis. 2021;73(9):e3476–82.

Artículo CAS PubMed Google Scholar

Tasillo A, Salomon JA, Trikalinos TA, Horsburgh CR, Marks SM, Linas BP. Rentabilidad de las pruebas y el tratamiento de la infección tuberculosa latente en residentes nacidos fuera de los Estados Unidos con y sin comorbilidades médicas en un modelo de simulación. Médico Interno JAMA. 2017;177(12):1755–64.

Artículo PubMed PubMed Central Google Scholar

Linas BP, Wong AY, Freedberg KA, Horsburgh CR Jr. Prioridades para la detección y el tratamiento de la infección tuberculosa latente en los Estados Unidos. Am J Respir Crit Care Med. 2011;184(5):590–601.

Artículo PubMed PubMed Central Google Scholar

Menzies NA, McQuaid CF, Gómez GB, Siroka A, Glaziou P, Floyd K, et al. Mejorar la calidad de la evidencia de modelos utilizada para la evaluación de políticas contra la tuberculosis. Int J Tuberc enfermedad pulmonar. 2019;23:387–95.

Artículo CAS PubMed PubMed Central Google Scholar

McQuaid CF, Clarkson MC, Bellerose M, Floyd K, White RG. Un enfoque para mejorar la calidad de los modelos de tuberculosis a nivel nacional. Int J Tuberc enfermedad pulmonar. 2021;25(8):614–9.

Artículo CAS PubMed PubMed Central Google Scholar

Houben RMGJ, Lalli M, Sumner T, Hamilton M, Pedrazzoli D, Bonsu F, et al. TIME Impact: un nuevo modelo de tuberculosis (TB) fácil de usar para informar las decisiones políticas sobre tuberculosis. BMC Med. 2016;14:56. https://doi.org/10.1186/s12916-016-0608-4.

Artículo CAS PubMed PubMed Central Google Scholar

Trauer JM, Ragonnet R, Doan TN, McBryde ES. Programación modular para el control de la tuberculosis, la plataforma “AuTuMN”. Enfermedad infecciosa de BMC. 2017;17:546. https://doi.org/10.1186/s12879-017-2648-6.

Artículo PubMed PubMed Central Google Scholar

Organización Mundial de la Salud. Orientación para la elaboración de modelos de tuberculosis a nivel nacional. Ginebra: Organización Mundial de la Salud, Consorcio de Análisis y Modelización de la Tuberculosis; 2018. http://www.who.int/tb/publications/2018/country_modelling/en/

Google Académico

Briggs AH, Weinstein MC, Fenwick EA, Karnon J, Sculpher MJ, Paltiel AD. Grupo de trabajo de buenas prácticas de investigación de modelado de ISPOR-SMDM. Estimación e incertidumbre de los parámetros del modelo: un informe del Grupo de Trabajo-6 de Buenas Prácticas de Investigación de Modelado de ISPOR-SMDM. Valorar la salud. 2012;15(6):835–42.

Artículo PubMed Google Scholar

Broeck WV, Gioannini C, Gonçalves B, Quaggiotto M, Colizza V, Vespignani A. La herramienta computacional GLEaMviz, un software disponible públicamente para explorar escenarios realistas de propagación de epidemias a escala global. Enfermedad infecciosa de BMC. 2011;11(1):1–4.

Artículo de Google Scholar

Laboratorio de Modelado de Políticas de Prevención. Atigrado. https://ppmltools.org/tabby/ Consultado el 24 de octubre de 2022.

Descargar referencias

Los autores desean agradecer a Meghan Bellerose, Cindy Imai y Yelena Malyuta, quienes ayudaron con la coordinación del proyecto y la recopilación de datos para la aplicación web Tabby2.

Los hallazgos y conclusiones de este informe son responsabilidad de los autores y no necesariamente representan los puntos de vista de los Centros para el Control y la Prevención de Enfermedades.

Este proyecto fue financiado por el Acuerdo de Modelado Epidemiológico y Económico de Prevención del VIH, Hepatitis Viral, ETS y TB de los Centros para el Control y la Prevención de Enfermedades de EE. UU. (NEEMA; #1NU38PS004651-01).

Nicole A. Swartwood y Christian Testa son coautores.

Departamento de Población y Salud Global, Escuela de Salud Pública TH Chan de Harvard, Boston, MA, 02120, EE. UU.

Nicole A. Swartwood y Nicolás A. Menzies

Departamento de Ciencias Sociales y del Comportamiento, Escuela de Salud Pública TH Chan de Harvard, Boston, MA, EE. UU.

cristian testa

Departamento de Epidemiología de Enfermedades Microbianas, Escuela de Salud Pública de Yale, New Haven, CT, EE. UU.

Ted Cohen

División de Eliminación de la Tuberculosis, Centro Nacional para la Prevención del VIH, la Hepatitis Viral, las ETS y la Tuberculosis, Centros para el Control y la Prevención de Enfermedades, Atlanta, GA, EE. UU.

Suzanne M. Marks, Andrew N. Hill y Garrett Beeler Asay

Oficina de Enfermedades Infecciosas y Ciencias de Laboratorio, Departamento de Salud Pública de Massachusetts, Boston, MA, EE. UU.

Jennifer Cochran, Kevin Cranston, Lisa M. Randall y Andrew Tibbs

Departamentos de Epidemiología, Bioestadística, Salud Global y Medicina, Escuelas de Salud Pública y Medicina de la Universidad de Boston, Boston, MA, EE. UU.

C. Robert Horsburgh Jr.

Centro de Políticas de Salud / Centro de Atención Primaria e Investigación de Resultados, Universidad de Stanford, Stanford, EE. UU.

Josué A. Salomón

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

NM, TC y JS diseñaron la estrategia científica e inferencial. NS desarrolló el paquete MITUS R. CT y NS desarrollaron la aplicación web Tabby2. CT y NS programaron el enlace entre el modelo y la interfaz. AH, SM, JC, KC, CRH, AT y LR brindaron orientación sobre los datos sobre la tuberculosis, así como los resultados y las prioridades políticas que debe abordar la herramienta. SM, NM, CRH y GBA brindaron orientación sobre metodología económica. NS y CT redactaron el manuscrito. Todos los autores revisaron y editaron el manuscrito. Todos los autores leyeron y aprobaron el manuscrito final.

Correspondencia a Nicole A. Swartwood.

No aplica

No aplica

Los autores declaran que no tienen intereses en competencia.

Springer Nature se mantiene neutral con respecto a reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Comparación de estimaciones de modelos con datos demográficos y epidemiológicos recientes, utilizando Massachusetts como ejemplo. Tabla S1. Parámetros mantenidos fijos para todos los estados. Tabla S2. Parámetros utilizados en los escenarios predefinidos. Tabla S3. Resultados de tuberculosis proyectados para cada geografía modelada en 2022 y 2050.

Métodos de análisis económico. A. Definiciones. B. Impactos en la salud. TABLA EM1: Esperanza de vida restante por edad, para el cálculo de años de vida y AVAC ahorrados. TABLA EM2: Entradas adicionales para el cálculo de AVAC. C. Costos de los servicios de salud. TABLA EM3: Insumos para los costos de pruebas y tratamiento de LTBI en USD 2020. TABLA EM4: Insumos para los costos de pruebas y tratamiento de TB en USD 2020. D. Costos de productividad. TABLA EM5: Insumos para los costos de productividad asociados con el tratamiento de la ITBL en USD 2020. TABLA EM6: Insumos para los costos de productividad asociados con la enfermedad de tuberculosis. E. Estimaciones de costos totales. F. Análisis de costo-efectividad.

Acceso Abierto Este artículo está bajo una Licencia Internacional Creative Commons Attribution 4.0, que permite el uso, compartir, adaptación, distribución y reproducción en cualquier medio o formato, siempre y cuando se dé el crédito apropiado a los autores originales y a la fuente. proporcione un enlace a la licencia Creative Commons e indique si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la normativa legal o excede el uso permitido, deberá obtener permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/. La exención de dedicación de dominio público de Creative Commons (http://creativecommons.org/publicdomain/zero/1.0/) se aplica a los datos disponibles en este artículo, a menos que se indique lo contrario en una línea de crédito a los datos.

Reimpresiones y permisos

Swartwood, NA, Testa, C., Cohen, T. et al. Tabby2: una herramienta web fácil de usar para pronosticar los resultados de la tuberculosis a nivel estatal en los Estados Unidos. BMC Med 21, 331 (2023). https://doi.org/10.1186/s12916-023-02785-y

Descargar cita

Recibido: 09 de septiembre de 2022

Aceptado: 13 de febrero de 2023

Publicado: 30 de agosto de 2023

DOI: https://doi.org/10.1186/s12916-023-02785-y

Cualquier persona con la que comparta el siguiente enlace podrá leer este contenido:

Lo sentimos, actualmente no hay un enlace para compartir disponible para este artículo.

Proporcionado por la iniciativa de intercambio de contenidos Springer Nature SharedIt