Chest computed tomography findings in hospitalized COVID-19 patients: a systematic review and meta-analysis.
Notice bibliographique
Résumé
Most studies evaluating chest computed tomography (CT) features in coronavirus disease 2019 (COVID-19) have been small-sized and have presented varied findings. We aim to systematically review these studies and to conduct a meta-analysis of their results to provide a well-powered assessment of chest CT findings in patients with COVID-19. PubMed and EMBASE databases were systematically searched to identify published studies that evaluated chest CT findings in COVID-19 patients. Data regarding study characteristics and CT findings, including distribution of lesions, the lobe of lung involved, lesion densities, and radiological patterns, were extracted. Arcsine transformed proportions from individual studies were pooled using a random-effects model to derive pooled proportions (PPs) and 95% confidence intervals (CIs). A total of fifty-four studies (n=2693 confirmed COVID-19 patients) were included in the final review. Prevalence of different CT findings varied across studies; however, the most common findings were bilateral pulmonary involvement (PP: 74.1% [68.4%, 79.5%]; I2 = 85.76%), ground glass opacification (PP: 64.6% [57.6%, 71.4%]; I2 = 91.52%), involvement of the left lower lobe (PP: 71.2% [58.9%, 82.1%]; I2 = 90.91%), and subpleural distribution of lesions (PP: 57.2% [39.0%, 74.3%]; I2 = 93.08%). Multivariate meta-regression revealed a positive association between prevalence of air bronchograms and average age of the population (p=0.013). Bilateral ground glass opacification, a subpleural distribution of lesions, and involvement of the left lower lobe were the most notable chest CT findings in COVID-19 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 | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,020 | 0,005 |
| Bibliométrie | 0,002 | 0,006 |
| 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 ».