Prevalence of chronic comorbidities in severe flavivirus infections
Notice bibliographique
Résumé
Background: Flavivirus diseases such as dengue fever (DENV), West Nile virus (WNV), Zika and yellow fever represent a substantial global public health concern. Preexisting chronic conditions such as cardiovascular diseases, diabetes, obesity, and asthma were thought to predict risk of progression to severe infections. We aimed to quantify the prevalence of comorbidities in flavivirus diseases and to evaluate the relationship between these conditions and the severity of clinical viral expression. Methods & Materials: We conducted a comprehensive search in PubMed, Ovid MEDLINE(R), Embase and Embase Classic and grey literature databases to identify studies reporting prevalence estimates of comorbidities in flavivirus diseases. Study quality was assessed with the risk of bias tool. Subgroup analyses were undertaken to evaluate the prevalence estimates in different world regions. Results: We identified 65 studies as eligible for inclusion for DENV (47 studies) and WNV (18 studies). Obesity (prevalence: 24.5%, 95% CI: 18.6-31.6%), hypertension (17.5%, 13.6-22.1%) and diabetes (13.2%, 9.4-18.2%) were the most prevalent comorbidities in DENV. However, hypertension (45.0%, 39.1-51.0%), diabetes (24.7%, 20.2-29.8%) and heart diseases (25.6%, 19.5-32.7%) were the most prevalent in WNV. Prevalence rates varied markedly in the different world regions. There were ∼2- to 4-fold significantly higher prevalence of diabetes, hypertension and heart diseases in severe flavivirus cases compared to the non-severe ones. Conclusion: Findings of the present study may guide public health practitioners and clinicians to predict infection severity based on the presence of comorbidity, a critical public health measure that may avert severe disease outcome given the current dearth of a clear prevention practices for some flavivirus diseases.
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 | 0,010 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,004 |
| Bibliométrie | 0,008 | 0,008 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».