Relationship Between Blood Group and Risk of Infection and Death in COVID-19: a live Meta-Analysis
Notice bibliographique
Résumé
Abstract Introduction The relationship between ABO blood group and the incidence of COVID-19 infection and death has been investigated in several studies. The reported results were controversial, so the objective of the present study is to assess the relationship between different blood groups and the onset and mortality of COVID-19 infection using meta-analysis method. Methods We searched the databases using appropriate MeSH terms. We screened articles on the basis of titles, abstracts, and full texts and the articles that met the inclusion criteria were selected. Quality assessment was done with the Newcastle-Ottawa Scale checklist. The estimated frequency of COVID-19 infection and death in terms of ABO blood group and the overall estimate of the odd ratio between blood group with COVID-19 infection and death was done with 95% confidence interval. Results The pooled frequency of blood groups A, B, O, and AB among COVID-19 infected individuals was estimated as 36.22%, 24.99%, 29.67%, and 9.29% respectively. The frequency of blood groups A, B, O, and AB among the dead cases due to COVID-19 infection was estimated as 40%, 23%, 29%, and 8% respectively. The odd ratio of COVID-19 infection for blood group A versus the other blood groups was estimated 1.16 (CI 95%: 1.02-1.33). The corresponding figures for blood groups O and AB versus other blood groups were estimated as 0.73 (CI 95%: 0.60-0.88) and 1.25(CI 95%: 0.84-1.86) respectively. Conclusion This meta-analysis showed that individuals with blood group A are at higher risk for COVID-19 infection while those with blood group O are at lower risk. Although the odds ratio of death for AB blood group was non-significant, it was considerable.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».