MétaCan
Menu
Retour à la cohorte
Enregistrement W4404041512 · doi:10.1097/01.pcc.0001085664.22061.71

PP334 Topic: AS09–Global Health/Resource Limited Setting/Health Inequalities/Impact of Global Warming/Other: COUNTRY SOCIODEMOGRAPHIC LEVEL AND PEDIATRIC CAUSE-SPECIFIC HOSPITAL CASE FATALITY RATES IN LOW- AND MIDDLE-INCOME COUNTRIES: A SYSTEMATIC REVIEW AND META-ANALYSIS

2024· review· en· W4404041512 sur OpenAlexaff
Teresa Kortz, Rishi P Mediratta, Abigail M. Smith, Jens Cosedis Nielsen, Asya Agulnik, Stephanie Gordon Rivera, Hailey Reeves, Nicole O’Brien, J.H. Lee, Qalab Abbas, J. Attebery, Tigist Bacha, Emaan G. Bhutta, Carter Biewen, Jhon Camacho‐Cruz, Álvaro Coronado Muñoz, Mary DeAlmeida, Lily Owusu, Yudy Fonseca, Shubhada Hooli, H Johnson, Mara L. Leimanis, Deogratius Mally, Amanda M. McCarthy, Andrew Mutekanga, Carol Pineda, Kenneth E. Remy, Stefan Sanders, Elżbieta Tabor, António Teixeira Rodrigues, J.Q.Y. Wang, N. Kissoon, Yemisi Takwoingi, M Wiens, Adnan Bhutta

Notice bibliographique

RevuePediatric Critical Care Medicine · 2024
Typereview
Langueen
DomaineBusiness, Management and Accounting
ThématiqueGlobal Public Health Policies and Epidemiology
Établissements canadiensUniversity of British ColumbiaUniversity of Alberta
Organismes subventionnairesnon disponible
Mots-clésMedicineCase fatality rateLow and middle income countriesInequalityGlobal healthEnvironmental healthDeveloping countryDemographyPublic healthEconomic growthPopulation

Résumé

récupéré en direct d'OpenAlex

Aims & Objectives: In 2019, 80% of child deaths were in low- and middle-income countries (LMICs). LMICs have a range of available resources, which could influence outcomes. This analysis determined case-fatality rates (CFRs) for common causes of pediatric hospital mortality in LMICs and explored differences by sociodemographic index (SDI). Methods: For this systematic review, we searched MEDLINE, EMBASE, CINAHL, and LILACS for observational studies from LMICs published 1/1/2005-2/26/2021. Eligible studies included a general pediatric (aged >28d-12yrs) hospital population. We performed meta-analyses of cause of mortality (number of deaths/1000 admissions) and CFRs (number of deaths/total cases) using random-effects models, analyzed differences by SDI, and report 95% confidence intervals (95%CI) and p-values (p<0.05 statistically significant). Results: Overall, 253 studies representing 21.8million hospitalizations, 293 sites, and 59 LMICs were analyzed. Top causes of hospital mortality and CFRs are shown; CFR improved as SDI increased for malaria, pneumonia, and sepsis (Table). Common causes of hospital mortality (per 1000 admissions) and cause-specific CFR by SDI - Mortality(95%CI) CFR(95%CI)* Diagnosis Overall Low-SDI Low-Middle-SDI Middle-SDI p-value Malaria 12.8(9.7-16.2) 5.1(3.7-6.6) 6.9(4.3-9.9) 3.5(2.3-4.9) 1.3(0.8-1.9) <0.0001 Shock 11.6(4.3-22.4) 12.9(9.8-16.3) NR 12.9(9.8-16.3) NR - Malnutrition 9.4(6.3-13.0) 12.2(9.4-15.4) 11.6(7.3-16.7) 12.8(8.8-17.3) 12.9(9.4-17.3) 0.92 Pneumonia 7.9(3.6-13.9) 4.8(1.7-9.3) 6.2(0.3-18.3) 5.5(3.6-7.7) 1.0(0.5-1.6) <0.0001 Sepsis 4.8(3.1-6.7) 19.9(13.6-26.9) 18.0(11.5-25.4) 23.3(17.5-29.7) 8.6(0.6-22.8) 0.14 NR:not reported *pooled estimates Conclusions: Lower SDI countries had a higher risk of death for common diagnoses, suggesting that resource availability and access to care, including critical care, impact pediatric hospital outcomes. Global collaboration is needed for knowledge exchange, best practices development, and resource investments to address child health disparities. Keywords: Resource-limited settings, low- and middle-income countries, global health, acute critical illness,

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,015
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Méta-analyse · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,031
Score d'incertitude au seuil0,103

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,015
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0070,008
Bibliométrie0,0050,008
Études des sciences et des technologies0,0000,001
Communication savante0,0030,002
Science ouverte0,0010,002
Intégrité de la recherche0,0020,001
Charge utile insuffisante (le modèle a refusé de juger)0,0310,002

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.

Tête enseignante Opus0,123
Tête enseignante GPT0,434
Écart entre enseignants0,311 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeMéta-analyse
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePediatric Critical Care MedicineMême sujetGlobal Public Health Policies and EpidemiologyTravaux en français237 207