Resistance Pattern of Tuberculosis Before and During COVID-19 Era in Nigeria: A Systematic Review
Notice bibliographique
Résumé
Background: Tuberculosis (TB), one of the leading infectious diseases of global health concern has drawn the attention of researchers towards investigating the trends of the infection, its resistance and associated risk factors in Nigeria in the pre-COVID-19 era and during the COVID-19 era to understand how the pandemic may have possibly influenced the prevalence trends of TB infection. Objective: This review was aimed at examining the trend of TB infection, the resistant patterns and associated risk factors before COVID-19 era and then during COVID-19 era in Nigeria Methodology: Following the Preferred Reporting Items for Systematic Review and Meta-analysis (PRISMA) protocol, a systematic review and meta-analysis was conducted. A total of 4 electronic databases (African journal online library (AJOL), PubMed, ScienceDirect and Semantic scholar) were searched using Boolean functions and search filters to streamline the search results to the research focus. A total of 563 studies were gathered from the databases and imported to EndNote, from where they were exported to Covidence via XML file. The exported studies underwent two levels of screenings; title and abstract screening, and full article screening based on the inclusion criteria. A total of 14 studies passed the screening and were eligible for data extraction, quality assessment and risk of bias using Newcastle Ottawa Scale (NOS) for cross-sectional studies. Results: The mean prevalence of TB before and during COVID-19 era were 15.8% and 28.8% respectively. The pooled prevalence rifampicin (RIF) resistance was 20.8% in both pre-COVID-19 and COVID-19 eras among TB patients. The pooled prevalence of multi-drug resistant TB (MDR-TB) before the COVID-19 era was 1.01% while in the COVID-19 era it was 10.1%. The prevalent assocated risk factors before COVID-19 era were age and settlement while in COVID-19 era were age and sex. Conclusion: This review has shown an upward trend in TB and MDR-TB rates during the pandemic in Nigeria with age appearing as the leading risk factors in both eras.
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 | 0,008 | 0,032 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,008 | 0,012 |
| Bibliométrie | 0,011 | 0,012 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| 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 ».