Fever and neutropenia outcomes and areas for intervention: A report from SUCCOUR ‐ Supportive Care for Children with Cancer in Africa
Notice bibliographique
Résumé
Abstract Background Death during paediatric cancer treatment is common in sub‐Saharan Africa. Using the infrastructure of Supportive Care for Children with Cancer in Africa (SUCCOUR), our objective was to describe fever and neutropenia (FN) characteristics and outcomes in order to identify potential areas for future intervention. Methods A multicentre prospective, observational cohort study was conducted in sub‐Saharan Africa. Data were collected from September 2019 to March 2020. Children below 16 years with newly diagnosed cancer treated with curative intent were included. Data were abstracted in real time using standardised case report forms by trained personnel. Characteristics and outcomes of FN during the first 3 months of treatment were documented. Results A total of 252 patients were included (median age 6.0, range 0.2–15.0 years, 54% male). The most common cancer was Burkitt lymphoma (63/252, 25%). Among 104 FN episodes, 21 (21%) were associated with prolonged neutropenia (>1 week) and 32 (31%) were associated with profound neutropenia (absolute neutrophil count <0.1 × 10 9 /L). In 10/104 (10%) episodes, empiric antibiotics were started within 1 hour following fever onset and in 16/104 (15%) episodes, a blood culture was obtained before starting antibiotics. Malaria parasitaemia was detected in four of 104 (4%). A total of 11/104 (11%) patients died in the FN episodes. Conclusions Although in most, FN was not associated with prolonged or profound neutropenia, 11% resulted in death. Areas to target include blood cultures prior to antibiotics and earlier initiation of empiric antibiotics. Future efforts should modify FN practices to reduce treatment‐related mortality.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».