Clinical outcomes from out-of-hospital cardiac arrest in low-resource settings — A scoping review
Notice bibliographique
Résumé
AIM OF THE SCOPING REVIEW: Scientific recommendations on resuscitation are typically formulated from the perspective of an ideal resource environment, with little consideration of applicability in lower-income countries. We aimed to determine clinical outcomes from out-of-hospital cardiac arrest (OHCA) in low-resource countries, to identify shortcomings related to resuscitation in these areas and possible solutions, and to suggest future research priorities. DATA SOURCES: This scoping review was part of the continuous evidence evaluation process of the International Liaison Committee on Resuscitation (ILCOR), and was performed following the Preferred Reporting Items for Systematic reviews and Meta-Analyses extension for Scoping Reviews. We identified low-resource countries as countries with a low- or middle gross national income per capita (World Bank data). We performed a literature search on outcomes after OHCA in these countries, and we extracted data on the outcome. We applied descriptive statistics and conducted a post-hoc correlation analysis of cohort size and ROSC rates. RESULTS: We defined 24 eligible studies originating from middle-income countries, but none from low-income regions, suggesting a reporting bias. The number of reported patients in these studies ranged from 54 to 3214. Utstein-style reporting was rarely used. Return of spontaneous circulation varied from 0% to 62%. Fifteen studies reported on survival to hospital discharge (between 1.0 and 16.7%) or favourable neurological outcome (between 1.0 and 9.3%). An inverse correlation was found for study cohort size and the rate of return of spontaneous circulation (ρ = -0.48, p = 0.034). CONCLUSION: Studies of OHCA outcomes in low-resource countries are heterogeneous and may be compromised by reporting bias. Minimum cardiopulmonary resuscitation standards for low-resource settings should be developed collaboratively involving local experts, respecting culture and context while balancing competing health priorities.
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 | 0,004 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,005 |
| Bibliométrie | 0,007 | 0,009 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».