Imaging Dementia in African Populations: Closing the Health Equity Gap
Notice bibliographique
Résumé
BACKGROUND: In the next two decades, Africa is projected to have one of the highest number of people with Alzheimer's disease and related dementias (ADRD) (Figure 1). Neuroimaging tools, particularly magnetic resonance imaging (MRI) and positron emission tomography (PET), are established diagnostic tools for characterizing ADRD. However, the use of these tools is unevenly distributed globally and acutely lacking in Africa, particularly in Sub-Saharan Africa. Because ADRD prevalence and risk factors vary across populations and geospatial lines, there is a growing need to develop neuroimaging capacity for dementia research in diverse populations to expand our understanding of its characteristics. Here, we highlight gaps in dementia imaging research globally, identify associated barriers to their use in Africa, and provide a perspective on opportunities to enable dementia neuroimaging research across Africa. METHOD: We reviewed published data from literature and clinical trial databases for ongoing or past ADRD studies around the world with PET or MRI. We then estimated the number of sites, participants, and capacity (participants/site). We also used published data to estimate Africa's imaging infrastructure and personnel needs and costs. RESULT: A total of 49 countries (∼25% of all countries in the world) account for the global ADRD neuroimaging research (Figure 2). On a regional level, Africa has the least number of ADRD study sites and participants who have/will have PET or MRI (Figure 2). In Africa, only 4 countries have conducted ADRD research using MRI and none have published research or reported ongoing clinical trials using PET. The challenges with acquiring and operating neuroimaging infrastructure including high costs of scanner and radiotracer production as well as shortage of skilled personnel are fundamental barriers to dementia imaging research in Africa. At minimum, $29,321,441,393 is required to equip Africa with the neuroimaging infrastructure and personnel to bridge the gap (Figure 3). CONCLUSION: Thus, we propose, 1) increased imaging infrastructure investment, especially in low-cost technologies, 2) optimization of existing clinical imaging systems for advanced imaging, 3) collaborative training of local personnel through upskilling programs and 4) establishment of regional and global partnerships. Together these actions can transform dementia imaging capacity in Africa.
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 | 0,031 | 0,064 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,004 | 0,010 |
| Science ouverte | 0,002 | 0,007 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,001 |
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 ».