Review of clinical characteristics and laboratory findings of COVID-19 in children-Systematic review and Meta-analysis
Notice bibliographique
Résumé
OBJECTIVE: To conduct a systematic review and meta-analysis to assess the prevalence of various clinical symptoms and laboratory findings of COVID-19 in children. METHODS: PubMed, MEDLINE, and SCOPUS databases were searched to include studies conducted between January 1, 2020, and July 15, 2020 which reported data about clinical characteristics and laboratory findings in laboratory-confirmed diagnosis of COVID-19 in pediatric patients. Random effects meta-analysis using generalized linear mixed models was used to estimate the pooled prevalence. RESULTS: The most prevalent symptom of COVID-19 in children was 46.17% (95%CI 39.18-53.33%), followed by cough (40.15%, 95%CI 34.56-46.02%). Less common symptoms were found to be dyspnea, vomiting, nasal congestion/rhinorrhea, diarrhea, sore throat/pharyngeal congestion, headache, and fatigue. The prevalence of asymptomatic children was 17.19% (95%CI 11.02-25.82%). The most prevalent laboratory findings in COVID-19 children were elevated Creatinine Kinase (26.86%, 95%CI 16.15-41.19%) and neutropenia (25.76%, 95%CI 13.96-42.58%). These were followed by elevated LDH, thrombocytosis, lymphocytosis, neutrophilia, elevated D Dimer, Elevated CRP, elevated ESR, leukocytosis, elevated AST and leukopenia. There was a low prevalence of elevated ALT and lymphopenia in children with COVID- 19. CONCLUSIONS AND RELEVANCE: This study provides estimates of the pooled prevalence of various symptoms and laboratory findings of COVID-19 in the pediatric population.
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 | 0,013 | 0,321 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,014 | 0,002 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,000 | 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 ».