COVID-19 and comorbidities: a systematic review and meta-analysis
Notice bibliographique
Résumé
SARS-CoV-2 has caused a worldwide pandemic that began with an outbreak of pneumonia cases in the Hubei province of China. Knowledge of those most at risk is integral for treatment, guideline implementation, and resource allocation. We conducted a systematic review and meta-analysis to evaluate comorbidities associated with severe and fatal cases of COVID-19. A search was conducted on PubMed and EmBase on 20 April 2020. Pooled estimates were collected using a random-effects model. Thirty-three studies were included in the systematic review and twenty-two in the meta-analysis. Of the total cases 40.80% (95%CI: 35.49%, 46.11%) had comorbidities, while fatal cases had 74.37% (95%CI: 55.78%, 86.97%). Hypertension was more prevalent in severe [47.65% (95%CI: 35.04%, 60.26%)] and fatal [47.90% (95%CI: 40.33%, 55.48%)] cases compared to total cases [14.34% (95%CI: 6.60%, 28.42%)]. Diabetes was more prevalent among fatal cases [24.89% (95%CI: 18.80%, 32.16%)] compared to total cases [9.65% (95%CI: 6.83%, 13.48%)]. Respiratory diseases had a higher prevalence in fatal cases [10.89% (95%CI: 7.57%, 15.43%)] in comparison to total cases [3.65% (95%CI: 2.16%, 6.1%)]. Studies assessing the mechanisms accounting for the associations between severe cases and hypertension, diabetes, and respiratory diseases are crucial in understanding this new disease, managing patients at risk, and developing policies and guidelines that will reduce future risk of severe COVID-19 disease.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,010 | 0,024 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,016 | 0,037 |
| Bibliométrie | 0,006 | 0,009 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 source (Gemma direct ou Codex distillé), 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 ».