Epidemiology and Predictors of Survival of MERS-CoV Infections in Riyadh Region, 2016
Notice bibliographique
Résumé
Background: MERS-CoV emerged as a zoonotic disease in Saudi Arabia with 1437 cases as of July 2016. Objective: This study aimed at describing the epidemiology of MERS-CoV infection, clinical aspects of the disease and the determinants of survival. Methods: Medical records were reviewed between April 2014 and December 2015 to identify admission and discharge with MERS-CoV. Patients’ characteristics, epidemiologic and clinical data and laboratory results were extracted and described. Logistic regression analyses were used to model the determinants of the survival of these patients. Significance of the results were judged at the 5% level. Results: 249 laboratory confirmed cases were admitted mostly in August (20.48%) and September (14.86%) of the year 2015. These cases were non-healthcare workers (85.14%), Saudi (58.63%), males (57.03%) with a mean age of 46.71±17.92 years. A third (39.36%) reported contact with suspected or confirmed cases, developed the disease after 6.2 days and continued to shed the virus for 13.17 days on average. The case fatality rate was 20.08%. The likelihood of being discharged alive was significantly higher among non-Saudi (OR=2.35), healthcare workers (OR=10.822), with no co-morbidities (OR=6.57). Conclusions: MERS-CoV mortality is higher among older patients with severe disease. Further studies are recommended for a better estimation of the incubation period and the period of communicability and the role of animal reservoir.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».