Awake Craniotomy in Africa: A Scoping Review of Literature and Proposed Solutions to Tackle Challenges
Notice bibliographique
Résumé
BACKGROUND: Awake craniotomy (AC) is a common neurosurgical procedure for the resection of lesions in eloquent brain areas, which has the advantage of avoiding general anesthesia to reduce associated complications and costs. A significant resource limitation in low- and middle-income countries constrains the usage of AC. OBJECTIVE: To review the published literature on AC in African countries, identify challenges, and propose pragmatic solutions by practicing neurosurgeons in Africa. METHODS: We conducted a scoping review under Preferred Reporting Items for Systematic Reviews and Meta-Analysis-Scoping Review guidelines across 3 databases (PubMed, Scopus, and Web of Science). English articles investigating AC in Africa were included. RESULTS: Nineteen studies consisting of 396 patients were included. Egypt was the most represented country with 8 studies (42.1%), followed by Nigeria with 6 records (31.6%). Glioma was the most common lesion type, corresponding to 120 of 396 patients (30.3%), followed by epilepsy in 71 patients (17.9%). Awake-awake-awake was the most common protocol used in 7 studies (36.8%). Sixteen studies (84.2%) contained adult patients. The youngest reported AC patient was 11 years old, whereas the oldest one was 92. Nine studies (47.4%) reported infrastructure limitations for performing AC, including the lack of funding, intraoperative monitoring equipment, imaging, medications, and limited human resources. CONCLUSION: Despite many constraints, AC is being safely performed in low-resource settings. International collaborations among centers are a move forward, but adequate resources and management are essential to make AC an accessible procedure in many more African neurosurgical centers.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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 | 0,001 |
| 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 ».