Epidemiology of surgical site infections post-cesarean section in Africa: a comprehensive systematic review and meta-analysis
Notice bibliographique
Résumé
BACKGROUND: Surgical site infections (SSIs) are among the most common postoperative complications following cesarean section, particularly in Africa. These infections pose maternal health risks, including prolonged hospitalization, increased healthcare costs, and mortality. This systematic review and meta-analysis aimed to evaluate the epidemiology, pooled prevalence, and risk factors for SSIs after cesarean section in Africa. METHODS: A systematic search of PubMed/MEDLINE, Scopus, and Web of Science databases was conducted to identify studies published between January 2000 and December 2023. The review followed PRISMA 2020 guidelines, and 41 studies spanning 18 African countries met the inclusion criteria. Data on SSI prevalence and risk factors were extracted, and the quality of studies was assessed using the Newcastle-Ottawa Scale. A random-effects model was used to estimate pooled prevalence, with subgroup analysis, sensitivity analyses, and meta-regression exploring variations across study characteristics. Publication bias was assessed using funnel plots. RESULTS: = 97%, < 0.001). Regional variations were observed, with the highest prevalence in Tanzania (34.1%) and Uganda (15%), and the lowest in Tunisia (5%) and Egypt (5.3%). Temporal trends revealed a peak in prevalence (16%) during 2011-2015, declining to 9.8% by 2016-2020. Prolonged rupture of membranes (PROM) was the most frequently reported risk factor (OR: 4.45-13.9), followed by prolonged labor (> 24 h) (OR: 3.48-16.17) and chorioamnionitis (OR: 4.37-9.74). Potential publication bias indicated by asymmetrical funnel plots. CONCLUSION: SSIs following cesarean section remain a burden in Africa, with wide regional variations and multiple preventable risk factors. The findings highlight the need for targeted interventions, including improved infection control practices, antenatal care, and timely management of obstetric complications.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,013 | 0,033 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,015 | 0,037 |
| Bibliométrie | 0,009 | 0,010 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».