Metallophosphide poisoning, a rising public health problem in Ethiopia: a systematic review and meta-analysis
Notice bibliographique
Résumé
INTRODUCTION: Metallophosphide poisoning, mainly due to aluminum phosphide and zinc phosphide, is a growing public health problem in developing countries associated with a high mortality rate, including in Ethiopia, where it is used a fumigant for stored grains and agricultural commodities. Ethiopia lacks a well-organized poison control center, making it difficult to obtain primary data on metallophosphide poisoning cases and outcomes. This systematic review and meta-analysis aim to determine the pooled prevalence and mortality rate from metallophosphide poisoning in Ethiopia. METHODS: As of August 2024, PUBMED, EMBASE, SCOPUS, and GOOGLE SCHOLAR were inclusively searched. Two independent reviewers extracted the data. Quality was assessed using the Modified Newcastle-Ottawa Scale adapted for cross-sectional studies. A random effects model was used to obtain the pooled estimate of the prevalence of and mortality rate from metallophosphide poisoning. RESULTS: = 96.6%, p < 0.0001). In the teen-included studies for the pooled mortality analysis, the sample size was 677 and the pooled mortality rate was 37% (95 % CI: 0.22, 0.55, I2 = 87.8%, P < 0.0001). CONCLUSION: We found a high pooled prevalence of metallophosphide poisoning in Ethiopia. This highlights the urgent need for regulatory actions to restrict the sales and distribution of these substances. This is supported by international experiences from similar low-resource settings. We recommend safer alternatives to control insects and rodents, such as mechanical rodent controls and integrated pest management. Public awareness creation and enhancing local management protocols to reduce the burden and improve the outcome of metallophosphide poisoning.
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 | 0,005 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,025 | 0,003 |
| Bibliométrie | 0,002 | 0,006 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».