Prevalence and associated factors of post-tuberculosis lung disease in Sub-Saharan Africa: a systematic review and meta-analysis
Notice bibliographique
Résumé
BACKGROUND: Post-tuberculosis lung disease (PTLD) is a major public health challenge in sub-Saharan Africa (SSA), where the burden of tuberculosis (TB) remains high. Only a few studies have reported the global burden of PTLD, and the associated factors of PTLD have been understudied. This systematic review and meta-analysis aimed to estimate the pooled prevalence and associated factors of PTLD in SSA. METHODS: This study followed the Preferred Reporting Items for Systematic Reviews and Meta-Analysis (PRISMA) guidelines for systematic review and meta-analysis. We included studies reporting the prevalence and associated factors of PTLD among individuals with a history of pulmonary TB in SSA. A comprehensive literature search was conducted via PubMed, Embase, Google Scholar, and African Journal Online databases from February 25, 2025, to March 20, 2025. The pooled prevalence of PTLD was estimated using a random-effects model. Due to the lack of reports on adjusted odds ratios (aORs), the associated factors were analyzed using crude odds ratios (ORs). RESULTS: A total of 21 studies, consisting of 4,463 participants, were included. The overall pooled prevalence of PTLD in SSA was 43.26% (95% CI: 34.17%-52.34%). The key Factors significantly associated with PTLD included: female sex (OR: 1.57, 95% CI: 1.16, 2.11), smoking (OR: 1.64, 95% CI: 1.09, 2.46), Presence of cough (OR: 1.73, 95% CI: 1.03, 2.9) and fibrotic pattern (OR:3.94 (95% CI: 1.96, 7.92). CONCLUSION: Nearly half of prior TB patients in SSA develop PTLD. Being female, smoking, fibrosis, and post-treatment cough were key factors associated with PTLD. To effectively manage PTLD in SSA, it is important to implement targeted interventions for high-risk groups, strengthen screening and chronic care services, enhance healthcare system capacity, ensure equity in health resources and integrate PTLD management into national TB control programs.
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 | 0,015 | 0,035 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,019 | 0,048 |
| Bibliométrie | 0,009 | 0,010 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 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 ».