Prevalence of Diabetes in the 2009 Influenza A (H1N1) and the Middle East Respiratory Syndrome Coronavirus: A Systematic Review and Meta-Analysis
Notice bibliographique
Résumé
Over the past two decades a number of severe acute respiratory infection outbreaks such as the 2009 influenza A (H1N1) and the Middle East respiratory syndrome coronavirus (MERS-CoV) have emerged and presented a considerable global public health threat. Epidemiologic evidence suggests that diabetic subjects are more susceptible to these conditions. However, the prevalence of diabetes in H1N1 and MERS-CoV has not been systematically described. The aim of this study is to conduct a systematic review and meta-analysis of published reports documenting the prevalence of diabetes in H1N1 and MERS-CoV and compare its frequency in the two viral conditions. Meta-analysis for the proportions of subjects with diabetes was carried out in 29 studies for H1N1 ( n=92,948) and 9 for MERS-CoV ( n=308). Average age of H1N1 patients (36.2±6.0 years) was significantly younger than that of subjects with MERS-CoV (54.3±7.4 years, P<0.05). Compared to MERS-CoV patients, subjects with H1N1 exhibited 3-fold lower frequency of cardiovascular diseases and 2- and 4-fold higher prevalence of obesity and immunosuppression, respectively. The overall prevalence of diabetes in H1N1 was 14.6% (95% CI: 12.3-17.0%; P<0.001), a 3.6-fold lower than in MERS-CoV (54.4%; 95% CI: 29.4-79.5; P<0.001). The prevalence of diabetes among H1N1 cases from Asia and North America was ∼two-fold higher than those from South America and Europe. The prevalence of diabetes in MERS-CoV cases is higher than in H1N1. Regional comparisons suggest that an etiologic role of diabetes in MERS-CoV may exist distinctive from that in H1N1.
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 | 0,150 | 0,031 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,012 | 0,002 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».