Caffeine for the care of preterm infants in sub-Saharan Africa: a missed opportunity?
Notice bibliographique
Résumé
In 2019, 2.4 million neonates (infants <28 days of age) died globally. Of these, over 80% were preterm infants (<37 weeks gestation), with the majority born in low-income and middle-income countries.1 Complications of preterm birth, largely from respiratory distress syndrome due to surfactant deficiency, pneumonia or apnoea of prematurity (AOP), are now the leading cause of under 5 mortality globally.1 These conditions are frequently fatal in the absence of effective ventilatory support which is commonplace in neonatal units across sub-Saharan Africa. Although the global neonatal mortality rate (NMR) has halved over the past three decades, significant regional disparities remain. These correlate with World Bank and International Monetary Fund estimates of the proportion of the population living on less than US$1.90 a day, with the majority of poorer countries being in sub-Saharan Africa.1 2 As the region with the highest NMR of 27 per 1000 live births, it is estimated that a baby born in in sub-Saharan Africa is 10 times more likely to die than one born in a high income country.1 Countries in sub-Saharan Africa are unlikely to meet the global target of no more than 12 newborn deaths per 1000 live births by 2030.3 In 2017, 75 countries (almost half from sub-Saharan Africa) signed up to the ‘Every Newborn Action Plan’ that has strategic global and national actions and milestones to address gaps in maternal and newborn care.4 This ambitious commitment requires evidence-based interventions5 and innovative strategies to improve neonatal survival and longer-term outcomes.
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 | 0,001 |
| 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 ».