The medical management of central nervous system infections in Uganda and the potential impact of an algorithm-based approach to improve outcomes
Notice bibliographique
Résumé
BACKGROUND: In sub-Saharan Africa, HIV has increased the spectrum of central nervous system (CNS) infections. The etiological diagnosis is often difficult. Mortality from CNS infections is higher in sub-Saharan Africa compared to Western countries. This study examines the medical management of CNS infections in Uganda. We also propose a clinical algorithm to manage CNS infections in an effective, systematic, and resource-efficient manner. METHODS: We prospectively followed 100 consecutive adult patients who were admitted to Mulago Hospital with a suspected diagnosis of a CNS infection without any active participation in their management. From the clinical and outcome data, we created an algorithm to manage CNS infections, which was appropriate for this resource-limited, high HIV prevalence setting. RESULTS: Only 32 patients had a laboratory confirmed diagnosis and 23 of these were diagnosed with cryptococcal meningitis. Overall mortality was 39%, and mortality trended upward when the diagnosis was delayed past 3 days. The initial diagnoses were made clinically without significant laboratory data in 92 of the 100 patients. Because HIV positive patients have a unique spectrum of CNS infections, we created an algorithm that identified HIV-positive patients and diagnosed those with cryptococcal meningitis. After cryptococcal infection was ruled out, previously published algorithms were used to assist in the early diagnosis and treatment of bacterial meningitis, tuberculous meningitis, and other common central nervous system infections. In retrospective comparison with current management, the CNS algorithm reduced overall time to diagnosis and initiate treatment of cryptococcal meningitis from 3.5 days to less than 1 day. CONCLUSIONS: CNS infections are complex and difficult to diagnose and treat in Uganda, and are associated with high in-hospital mortality. A clinical algorithm may significantly decrease the time to diagnose and treat CNS infections in a resource-limited setting.
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 | 0,005 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».