Prevalence of Comorbidities in COVID-19 Patients: A Systematic Review and Meta-Analysis.
Notice bibliographique
Résumé
BACKGROUND: In this study, we aimed to assess the prevalence of comorbidities in the confirmed COVID-19 patients. This might help showing which comorbidity might pose the patients at risk of more severe symptoms. METHODS: ). We reviewed 33 papers' full text out of 1053 papers. There were 32 papers from China and 1 from Taiwan. There was no language or study level limit. Prevalence of comorbidities including hypertension, diabetes mellitus, cardiovascular disease, chronic lung disease, chronic kidney disease, malignancies, cerebrovascular diseases, chronic liver disease and smoking were extracted to measure the pooled estimates. We used OpenMeta and used random-effect model to do a single arm meta-analysis. RESULTS: The mean age of the diagnosed patients was 51 years. The male to female ratio was 55 to 45. The most prevalent finding in the confirmed COVID-19 patients was hypertension, which was found in 1/5 of the patients (21%). Other most prevalent finding was diabetes mellitus (DM) in 11%, cerebrovascular disease in 2.4%, cardiovascular disease in 5.8%, chronic kidney disease in 3.6%, chronic liver disease in 2.9%, chronic pulmonary disease in 2.0%, malignancy in 2.7%, and smoking in 8.7% of the patients. CONCLUSION: COVID-19 infection seems to be affecting every race, sex, age, irrespective of health status. The risk of symptomatic and severe disease might be higher due to the higher age which is usually accompanied with comorbidities. However, comorbidities do not seem to be the prerequisite for symptomatic and severe COVID-19 infection, except hypertension.
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 | 0,003 | 0,186 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,017 | 0,003 |
| Bibliométrie | 0,000 | 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 ».