The Prevalence of Underlying Diseases and Comorbidities in COVID-19 Patients; an Updated Systematic Review and Meta-analysis.
Notice bibliographique
Résumé
INTRODUCTION: Gaining knowledge about underlying diseases and associated comorbidities in patients with COVID-19 can be beneficial in developing a proper understanding of the disease prognosis as well as comprehensive management, and treatment of the disease. The aim of this study was to determine the prevalence of underlying diseases and associated comorbidities in COVID-19 patients using a systematic review and meta-analysis. METHODS: Major biomedical electronic databases, including Scopus, PubMed, Web of Science, CINAHL and EMBASE were searched for all relevant literature published in English from January to July 2020. Cross-sectional and retrospective studies reporting the prevalence of comorbid conditions such as acute cardiac injury, acute myocardial infarction, acute kidney injury, acute liver injury, shock, acute respiratory disease, and acute respiratory distress syndrome in patients with COVID-19 were included in the study. After selecting eligible studies, two authors extracted data of each study, independently, and any inconsistency was resolved through discussion with the third reviewer until reaching a consensus. The risk of bias was assessed by two independent research experts using the Newcastle-Ottawa Scale (NOS). The variance in the meta-analyses on prevalence was stabilized by double arcsine transformations. RESULTS: The pooled prevalence of acute respiratory injury in patients with COVID-19 was estimated as 34% (95% Cl: 10 - 57%). Also, the prevalence of acute kidney injury, acute liver injury, acute respiratory distress syndrome, and shock were estimated as 10% (95% Cl: 6 - 14%), 19% (95% Cl: 10 - 27%), 23 % (95% Cl: 19 - 27%), and 12 % (95% Cl: 5 - 19 %). CONCLUSION: According to this meta-analysis, comorbidities such as hypertension, acute liver and kidney injury, acute respiratory distress syndrome, shock, diabetes, and coronary heart disease seem to be a predisposing factor for symptomatic and severe COVID-19 infection.
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 | 0,019 | 0,037 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,015 | 0,038 |
| Bibliométrie | 0,011 | 0,011 |
| 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) | 0,003 | 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 ».