Risk Factors for Fatal Middle East Respiratory Syndrome Coronavirus Infections in Saudi Arabia: Analysis of the WHO Line List, 2013–2018
Notice bibliographique
Résumé
Objectives. To explore complex associations among demographic factors, risk factors, health care, and fatality rates of Middle East respiratory syndrome coronavirus (MERS-CoV) in the Kingdom of Saudi Arabia. Methods. We based this study on analysis of a publicly accessible line listing of 1256 MERS-CoV cases (2013 to October 2018) available on the World Health Organization’s Web site. For analyses of demographic factors (e.g., age, gender), access to health care, promptness of laboratory services, risk factors (comorbidity, exposure to camels and persons with MERS-CoV), occupation (health care), and outcome (fatality), we used descriptive statistics, risk ratio (RR), and the Pearson χ 2 test. Results. Presence of comorbidity (RR = 3; 95% confidence interval [CI] = 2.2, 3.9), being male (RR = 1.6; 95% CI = 1.2, 2.1), exposure to dromedary camels (RR = 1.6; 95% CI = 1.3, 2.3), and consumption of camel milk (RR = 1.5; 95% CI = 0.9, 1.7) can significantly increase risk for fatality. Health care workers have significantly lower fatality (P < .001) than the rest of the persons with MERS-CoV. Conclusions. Policies that promote health awareness for the high-risk population and their prompt seeking of health care should be considered. Publicly accessible line lists of infectious diseases such as MERS-CoV can be valuable sources for epidemiological analysis.
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 | 0,005 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| 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 | 0,001 |
| 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 ».