COVID-19 Infection in Children: Estimating Pediatric Morbidity and Mortality
Notice bibliographique
Résumé
ABSTRACT BACKGROUND Estimates of pediatric morbidity and mortality from COVID-19 are vital for planning optimal use of human and material resources throughout this pandemic. METHODS Government websites from countries with minimum 1000 cases in adults and children on April 13, 2020 were searched to find the number of cases confirmed in children, the age range, and the number leading to hospitalization, intensive care unit (ICU) admission or death. A systematic literature search was performed April 13, 2020 to find additional data from cases series. RESULTS Data on pediatric cases were available from government websites for 23 of the 70 countries with minimum 1000 cases by April 13, 2020. Of 424 978 cases in these 23 countries, 8113 (1.9%) occurred in children. Nine publications provided data from 4251 cases in 4 additional countries. Combining data from the websites and the publications, 330 of 2361 cases required admission (14%). The ICU admission rate was 2.2 % of confirmed cases (44 of 2031) and 7.2% of admitted children (23 of 318). Death was reported for 15 cases. CONCLUSION Children accounted for 1.9% of confirmed cases. The true incidence of pediatric infection and disease will only be known once testing is expanded to individuals with less severe or no symptoms. Admission rates vary from 0.3 to 10% of confirmed cases (presumably varying with the threshold for testing) with about 7% of admitted children requiring ICU care. Death is rare in middle and high income countries.
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 | 0,001 | 0,007 |
| 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 | 0,000 |
| 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 ».