Association between markers of immune response at hospital admission and COVID‐19 disease severity and mortality: A meta‐analysis and meta‐regression
Notice bibliographique
Résumé
BACKGROUND: To determine the utility of admission laboratory markers in the assessment and prognostication of coronavirus disease-2019 (COVID-19), a systematic review and meta-analysis were conducted on the association between admission laboratory values in hospitalized COVID-19 patients and subsequent disease severity and mortality. MATERIAL AND METHODS: Searches were conducted in MEDLINE, Pubmed, Embase, and the WHO Global Research Database from December 1,2019 to May 1, 2020 for relevant articles. A random effects meta-analysis was used to calculate the weighted mean difference (WMD) and 95% confidence interval (95% CI) for each of 27 laboratory markers. The impact of age and sex on WMDs was estimated using meta-regression techniques for 11 markers. RESULTS: /L (-0.45, -0.23), interleukin-6 (IL-6) at 32.59 pg/mL (23.99, 41.19), ferritin at 814.14 ng/mL (551.48, 1076.81), C-reactive protein (CRP) at 66.11 mg/L (52.16, 80.06), D-dimer at 5.74 mg/L (3.91, 7.58), LDH at 232.41 U/L (178.31, 286.52), and high sensitivity troponin I at 90.47 pg/mL (47.79, 133.14) when comparing fatal to nonfatal cases. Similar trends were observed comparing severe to non-severe groups. There were no statistically significant associations between age or sex and WMD for any of the markers included in the meta-regression. CONCLUSION: The results highlight that hyper inflammation, blunted adaptive immune response, and intravascular coagulation play key roles in the pathogenesis of COVID-19. Markers of these processes are good candidates to identify patients for early intervention and, importantly, are likely reliable regardless of age or sex in adult patients.
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 | 0,012 | 0,189 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,009 | 0,002 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 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 ».