Evaluating the current neuro-oncology capacity in Sub-Saharan Africa: A questionnaire-based survey
Notice bibliographique
Résumé
Background: Central nervous system (CNS) tumors are a significant cause of morbidity and mortality in Sub-Saharan Africa (SSA). This project aimed to assess and map out the current neuro-oncology capacity in SSA, brain tumor registries, and biobanks. Methods: This cross-sectional study utilized an online survey to gather data from healthcare professionals involved in CNS tumor care across SSA through the Society for Neuro-Oncology SSA (SNOSSA). The survey captured information on the availability of neuro-oncology practitioners, neuropathology, molecular diagnostics, cancer registries, and biobanking. Results: A total of 145 respondents representing 70 healthcare institutions across 22 countries participated. Of the 70 institutions, specialties included neurosurgery (89%, 62/70), anatomic pathology (74%, 52/70), and medical oncology (71%, 50/70). For radiologic evaluation, 64% (45/70) of responding institutions reported having both CT and MRI. Access to molecular testing through immunohistochemistry or next-generation sequencing was available in 46% (32/70) of responding institutions. Multidisciplinary tumor boards were available for CNS cases in 86% (60/70) of responding institutions. Brain tumor-specific registries were available in 29% (20/70) of responding institutions, and 10% (7/70) maintained brain tumor biorepositories. Conclusion: This study demonstrates that SSA has substantial potential in neuro-oncology care practice capacity and facilities. The most significant gaps were in neuropathology and molecular testing, which makes widespread implementation of the WHO 2021 diagnosis challenging. Understanding the prevalence of CNS tumor subtypes in SSA is difficult due to the low number of brain tumor registries and biobanks.
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 | 0,006 | 0,044 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».