Kawasaki disease in Kenya and review of the African literature
Notice bibliographique
Résumé
BACKGROUND: Kawasaki disease has been described across the globe, although publications from Africa are limited. To our knowledge, there are no publications on Kawasaki disease from Kenya, which triggered this report. METHODS: A retrospective cross-sectional study was undertaken to identify in-patients with a discharge diagnosis of Kawasaki disease, over 2 different 5-year periods, at two pediatric hospitals in Nairobi, Kenya. We reviewed the medical records of all patients and report their clinical findings, diagnostic workup and treatment. In addition, we undertook a detailed review of the literature. RESULTS: Twenty-three patients with Kawasaki disease were identified, of those 12 (52.2%) had incomplete disease. The mean age was 2.3 years (SD+/-2.2) (range 0.3-10.3) with a male to female ratio of 1:1. The mean duration of fever at diagnosis was 8.3 days (SD+/-4.7) (range 2-20). Oral changes were the most common clinical feature and conjunctivitis the least common. Thrombocytosis at diagnosis was seen in 52% (12/23). Twenty-one patients (91.3%) were treated with intravenous immunoglobulin and all except 1 received aspirin. Baseline echocardiograms were performed in 95.7% (22/23) and found to be abnormal in 3 (13.6%). Follow-up data was limited. Our literature review identified 79 publications with documented cases of Kawasaki disease in children from 22 countries across the African continent with a total of 1115 patients including those from this report. Only 153 reported cases, or 13.7%, are from sub-Saharan Africa. CONCLUSIONS: This is the first publication on Kawasaki disease from Kenya and one of the largest reports from sub-Saharan Africa. It is the first to have a complete review of the number of published cases from the African continent. Challenges in the diagnosis and management of Kawasaki disease in many African countries include disease awareness, infectious confounders, access and cost of intravenous immunoglobulin, access to pediatric echocardiography and follow-up. Increasing awareness and health care resources are important for improving outcomes of Kawasaki disease 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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) | 0,000 | 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 ».