What Factors Increase the Risk of Complications in SARS-CoV-2–Infected Patients? A Cohort Study in a Nationwide Israeli Health Organization
Notice bibliographique
Résumé
BACKGROUND: Reliably identifying patients at increased risk for coronavirus disease (COVID-19) complications could guide clinical decisions, public health policies, and preparedness efforts. Multiple studies have attempted to characterize at-risk patients, using various data sources and methodologies. Most of these studies, however, explored condition-specific patient cohorts (eg, hospitalized patients) or had limited access to patients' medical history, thus, investigating related questions and, potentially, obtaining biased results. OBJECTIVE: This study aimed to identify factors associated with COVID-19 complications from the complete medical records of a nationally representative cohort of patients, with severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2) infection. METHODS: We studied a cohort of all SARS-CoV-2-positive individuals, confirmed by polymerase chain reaction testing of either nasopharyngeal or saliva samples, in a nationwide health organization (covering 2.3 million individuals) and identified those who suffered from serious complications (ie, experienced moderate or severe symptoms of COVID-19, admitted to the intensive care unit, or died). We then compared the prevalence of pre-existing conditions, extracted from electronic health records, between complicated and noncomplicated COVID-19 patient cohorts to identify the conditions that significantly increase the risk of disease complications, in various age and sex strata. RESULTS: Of the 4353 SARS-CoV-2-positive individuals, 173 (4%) patients suffered from COVID-19 complications (all age ≥18 years). Our analysis suggests that cardiovascular and kidney diseases, obesity, and hypertension are significant risk factors for COVID-19 complications. It also indicates that depression (eg, males ≥65 years: odds ratio [OR] 2.94, 95% CI 1.55-5.58; P=.01) as well as cognitive and neurological disorders (eg, individuals ≥65 years old: OR 2.65, 95% CI 1.69-4.17; P<.001) are significant risk factors. Smoking and presence of respiratory diseases do not significantly increase the risk of complications. CONCLUSIONS: Our analysis agrees with previous studies on multiple risk factors, including hypertension and obesity. It also finds depression as well as cognitive and neurological disorders, but not smoking and respiratory diseases, to be significantly associated with COVID-19 complications. Adjusting existing risk definitions following these observations may improve their accuracy and impact the global pandemic containment and recovery efforts.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».