Bacterial agents and antibiotic resistance in febrile neutropaenia in Africa: A systematic review and meta-analysis
Notice bibliographique
Résumé
Background: Febrile neutropaenia (FN) is an oncology emergency, but there is a paucity of data on it in Africa.Aim: This study aimed to review and aggregate data on FN in the context of antibiotic resistance.Methods: Published original articles between 1991 and 2024 were systematically searched in Google Scholar, PubMed, and African Journals Online databases (grey literature excluded). ‘Febrile neutropenia’ was combined by Boolean terms ‘OR’ and ‘AND’ with individual countries for the searched terms. Data aggregation on bacteria isolates and antibiotics was done using Microsoft Excel.Results: Of 16 637 articles retrieved, 15 (from nine countries) with 1216 non-duplicate isolates were included in the analyses after exclusion of irrelevant and duplicate articles. There were 57.0% (698/1225) Gram-positive and 43.3% (527/1225) Gram-negative bacteria. Aggregated resistance to antibiotics for Gram-positive bacteria was 71.8% (163/227), for ampicillin, 74.3% (226/304), for cefoxitin, 64.1% (25/39), and 54.0% (47/87) for oxacillin, while that of Gram-negative bacteria was 35.5% (184/519) for ciprofloxacin, 60.6% (168/277) for ceftriaxone, 65.9% (89/135) for cefuroxime, and 38.2% (153/401) for imipenem. Staphylococcus aureus had 68.8% (22/32) resistance to oxacillin/methicillin and 10% (1/10) resistance to vancomycin. Klebsiella spp. was 50% (9/18) resistant to quinolones, 75.9% (22/29) resistant to third-generation cephalosporins, and 25.0% (4/16) resistant to carbapenems, while Acinetobacter spp. was 85.7% (6/7) resistant to gentamycin.Conclusion: This review highlighted the paucity of data and the emergence of multidrug resistance in FN in Africa. There is a need for antibiotic-resistance surveillance and antibiotic stewardship to optimise therapy in FN in Africa.What this study adds: To the best of our knowledge, this is the first systematic review of FN in Africa in the context of available laboratory resources across the African regions.
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 | 0,011 | 0,029 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,014 | 0,032 |
| Bibliométrie | 0,010 | 0,011 |
| 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 | 0,001 |
| 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 ».