Clinical features of severe patients infected with 2019 novel coronavirus: a systematic review and meta-analysis
Notice bibliographique
Résumé
BACKGROUND: 2019 novel coronavirus disease (COVID-19) has posed significant threats to public health. To identify and treat the severe and critical patients with COVID-19 is the key clinical problem to be solved. The present study aimed to evaluate the clinical characteristics of severe and non-severe patients with COVID-19. METHODS: We searched independently studies and retrieved the data that involved the clinical characteristics of severe and non-severe patients with COVID-19 through database searching. Two authors independently retrieved the data from the individual studies, assessed the study quality with Newcastle-Ottawa Scale and analyzed publication bias by Begg's test. We calculated the odds ratio (OR) of groups using fixed or random-effect models. RESULTS: /L and bilateral involvement of chest CT. Severe patents had higher risk on complications including acute cardiac injury (OR 13.48; 95% CI, 3.60 to 50.47, P<0.001) or acute kidney injury (AKI) (OR 11.55; 95% CI, 3.44 to 38.77, P<0.001), acute respiratory distress syndrome (ARDS) (OR 26.12; 95% CI, 11.14 to 61.25, P<0.001), shock (OR 53.17; 95% CI, 12.54 to 225.4, P<0.001) and in-hospital death (OR 45.24; 95% CI, 19.43 to 105.35, P<0.001). Severe group required more main interventions such as received antiviral therapy (OR 1.69; 95% CI, 1.23 to 2.32, P=0.001), corticosteroids (OR 5.07; 95% CI, 3.69 to 6.98, P<0.001), CRRT (OR 37.95; 95% CI, 7.26 to 198.41, P<0.001) and invasive mechanical ventilation (OR 129.35; 95% CI, 25.83 to 647.68, P<0.001). CONCLUSIONS: Severe patients with COVID-19 had more risk of clinical characteristics and multiple system organ complications. Even received more main interventions, severe patients had higher risk of mortality.
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 | 0,002 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,018 | 0,003 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».