Prevalence of Chronic Kidney Disease as a Marker of Hypertension Target Organ Damage in Africa: A Systematic Review and Meta-Analysis
Notice bibliographique
Résumé
Introduction . Hypertension is a major global cause of cardiovascular disease and death with rising worldwide prevalence, particularly in low‐income countries. With low awareness, poor treatment, and low control of hypertension in Africans, there is an increased number of patients with target organ damage (TOD), especially chronic kidney disease (CKD), as a consequence of hypertension. The aim of our study is to assess the prevalence of CKD from studies in Africa reporting TOD related to hypertension. Methods . We performed a search of PubMed/MEDLINE, Web of Science, EBSCOhost, and African Journals Online (AJOL) for studies reporting on CKD as TOD in patients with hypertension. The pooled estimate of CKD was then presented by subregions, age group, eGFR equations, and urban or rural location. Results . We identified 1,334 articles from which 12 studies were included for quantitative analysis. The studies included 5297 participants from 6 countries (Ghana, Nigeria, Uganda, Tanzania, Democratic Republic of Congo, and South Africa). The pooled prevalence of CKD was 17.8% (95% CI 13.0–23.3%), and CKD was significantly more prevalent in West Africa (21.3% (95% CI: 16.1–27.0); p < 0.0001) and in studies conducted in urban settings ( p < 0.001). CKD prevalence was not significantly different by type of GFR equation or age. Conclusion . This study reports a high prevalence of CKD related to hypertension with a higher prevalence in urban than rural areas. This emphasizes the role of hypertension in causing kidney damage, and the need for strategies to improve awareness, treatment, and control of hypertension in Africans. This study is registered with PROSPERO registration number CRD42018089263 .
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 | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,008 | 0,003 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,001 | 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 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 ».