Intensive care support and clinical outcomes of patients with Ebola virus disease (EVD) in West Africa
Notice bibliographique
Résumé
PURPOSE: We investigate the impact on outcome of different levels of supportive treatment in Ebola virus disease (EVD). The NGO EMERGENCY delivered care sequentially at two Ebola Treatment Centres (ETC) in Sierra Leone: first at Lakka (fluids, symptomatic, antibiotic, antimalaria treatment, and hospital level medical care), and thereafter in Goderich, adding organ support in the only African ETC with an equipped and staffed intensive care unit (ETC-ICU). METHODS: The primary outcome in this retrospective cohort study was in-ETC mortality. Secondarily, we used multivariable logistic regression to investigate the independent impact of the IC on mortality by comparing patients in two ETCs, adjusting for potential confounders, including the viral load (base-10 logarithm in copies/ml) (LVL), modelled as a piecewise linear function. Mortality was plotted versus LVL. Confidence bands were constructed by a bootstrap technique. The number of hospital-free days within 28 was computed to assess the burden of EVD. RESULTS: Data from 229 EVD patients were analysed (123 in Lakka, 106 in Goderich). Crude analysis showed a non-statistically significant difference in mortality (57.7% in Lakka vs 50.0% in Goderich; p = 0.19). Age and LVL were associated with mortality. Adjusted mortality was lower at the Goderich ICU-ETC (p = 0.055). This difference was observed with 80% confidence for patients with LVL between 7.5 and 8.5 copies/ml. Hospital-free days (of 28 days) were greater (7.7 vs 5.5; p = 0.03) for patients treated in the ICU-ETC. CONCLUSIONS: Provision of critical care to patients with EVD is feasible in resource-limited settings and was associated with improved survival and less time in hospital.
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 | 0,000 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| 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) | 0,000 | 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; un appel candidat d’une seule tête enseignante, 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 ».