Prevalence and distribution of primary glomerular diseases in Africa: a systematic review and meta-analysis of observational studies
Notice bibliographique
Résumé
Glomerulonephritis (GN) is a predominant cause of kidney failure in Africa. The prevalence of primary GNs varies widely across Africa depending on the relative proportion of secondary GNs and genetic predispositions. We assessed the overall and sub-regional prevalence of primary GN and its histologic subtypes in Africa. We searched PubMed, EMBASE and African Journals Online for studies of biopsy-proven primary GNs across all age groups in Africa published between 2010 and 2022. Data for primary GNs [minimal change disease (MCD), focal segmental glomerulosclerosis (FSGS), membranous nephropathy (MN), mesangioproliferative GN (MesPGN), membranoproliferative GN (MPGN), post-infectious GN (PIGN), IgA Nephropathy (IgAN), and crescentic GN (CresGN)] were extracted. Pooled prevalence was determined using the random effects model. Seventeen eligible articles (n = 6,494 individuals) from 8 African countries met the inclusion criteria. The overall pooled prevalence of FSGS, MCD, MN, MPGN, MesPGN, PIGN, IgAN and CresGN was 26.10%, 22.40%, 8.40%, 6.40%, 6.40%, 2.60%, 2.60%, 1.40%, respectively. Only 4 studies (23.5%) used light microscopy (LM), immunofluorescence (IF), and electron microscopy (EM) for diagnosis. There were significant differences in the distribution of histologic subtypes in the paediatric compared to the adult population and across geographic sub-regions, with West Africa having a higher prevalence of FSGS. Overall, the dominance of FSGS across most regions and age groups has implications for disease diagnosis and ongoing care. Research efforts to understand the impact of this trend on kidney disease outcomes and efforts to improve kidney biopsy practice as a means of early disease detection are needed in Africa.
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 | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,011 | 0,002 |
| 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 | 0,000 |
| 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 ».