Point prevalence of evidence-based antimicrobial use among hospitalized patients in sub-Saharan Africa: a systematic review and meta-analysis
Notice bibliographique
Résumé
Abstract Excessive and improper use of antibiotics causes antimicrobial resistance which is a major threat to global health security. Hospitals in sub-Saharan Africa (SSA) has the highest prevalence of antibiotic use. This systematic review and meta-analysis aimed to determine the pooled point prevalence (PPP) of evidence-based antimicrobial use among hospitalized patients in SSA. Literature was retrieved from CINAHL, EMBASE, Google Scholar, PubMed, Scopus, and Web of Science databases. Meta-analysis was conducted using STATA version 17. Forest plots using the random-effect model were used to present the findings. The heterogeneity and publication bias were assessed using the I 2 statistics and Egger’s test. The protocol was registered in PROSPERO with code CRD42023404075. The review was conducted according to PRISMA guidelines. A total of 26, 272 study participants reported by twenty-eight studies published from 10 countries in SSA were included. The pooled point prevalence of antimicrobial use in SSA were 64%. The pooled estimate of hospital wards with the highest antibiotic use were intensive care unit (89%). The pooled prevalence of the most common clinical indication for antibiotic use were community acquired infection (41%). The pooled point prevalence of antimicrobial use among hospitalized patients were higher in SSA. Higher use of antibiotics was recorded in intensive care units. Community acquired infection were most common clinical case among hospitalized patients. Health systems in SSA must design innovative digital health interventions to optimize clinicians adhere to evidence-based prescribing guidelines and improve antimicrobial stewardship.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,008 | 0,003 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».