Comparison of confirmed <scp>COVID</scp>‐19 with <scp>SARS</scp> and <scp>MERS</scp> cases ‐ Clinical characteristics, laboratory findings, radiographic signs and outcomes: A systematic review and meta‐analysis
Notice bibliographique
Résumé
INTRODUCTION: Within this large-scale study, we compared clinical symptoms, laboratory findings, radiographic signs, and outcomes of COVID-19, SARS, and MERS to find unique features. METHOD: We searched all relevant literature published up to February 28, 2020. Depending on the heterogeneity test, we used either random or fixed-effect models to analyze the appropriateness of the pooled results. Study has been registered in the PROSPERO database (ID 176106). RESULT: Overall 114 articles included in this study; 52 251 COVID-19 confirmed patients (20 studies), 10 037 SARS (51 studies), and 8139 MERS patients (43 studies) were included. The most common symptom was fever; COVID-19 (85.6%, P < .001), SARS (96%, P < .001), and MERS (74%, P < .001), respectively. Analysis showed that 84% of Covid-19 patients, 86% of SARS patients, and 74.7% of MERS patients had an abnormal chest X-ray. The mortality rate in COVID-19 (5.6%, P < .001) was lower than SARS (13%, P < .001) and MERS (35%, P < .001) between all confirmed patients. CONCLUSIONS: At the time of submission, the mortality rate in COVID-19 confirmed cases is lower than in SARS- and MERS-infected patients. Clinical outcomes and findings would be biased by reporting only confirmed cases, and this should be considered when interpreting the data.
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 | 0,018 | 0,494 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,047 | 0,003 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,005 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,004 |
| 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 ».