Computed Tomography Imaging Abnormalities in COVID-19 Mortality Patients
Notice bibliographique
Résumé
The gold standard diagnostic testing for coronavirus disease 2019 (COVID-19) is nucleic acid testing (NAT) using reverse transcriptase polymerase chain reaction (RT-PCR). Due to the scarcity of testing resources, chest computed tomography (CT) scans have become critical in diagnosing COVID-19. The aim of this study is to describe the chest CT imaging manifestations of COVID-19 in mortality cases. In this case series, data were collected from 10 mortality patients who tested positive for COVID-19 at a community hospital in Brooklyn, New York. Their basic characteristics, common clinical manifestations and chest CT images were analyzed. Clinical manifestations of the 10 patients included cough, fever, shortness of breath, positive COVID-19 status and elevated inflammatory markers including ferritin, lactate dehydrogenase and C-reactive protein. Chest CT imaging showed ground-glass opacities in all 10 patients, bilateral lung involvement in eight patients, two with patchy consolidations, four with interlobular and intralobular septal thickening, also known as crazy paving pattern, six with diffuse distribution of lesions and one patient had pleural effusion. Chest CT is an important diagnostic tool for COVID-19. The pattern of ground-glass opacities or consolidations in multiple lobes is highly indicative of COVID-19 and could potentially be used as a primary diagnostic tool in the absence of other diagnostic tools such as NAT using RT-PCR. Clin Infect Immun. 2020;5(3):71-76 doi: https://doi.org/10.14740/cii110
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».