Meta-analysis and adjusted estimation of COVID-19 case fatality risk in India and its association with the underlying comorbidities
Notice bibliographique
Résumé
Abstract There is a lack of COVID-19 adjusted case fatality risk (aCFR) estimates and information on states with high aCFR. State-specific aCFRs were estimated, using 13-day lag for fatality. To estimate country-level aCFR, state estimates were meta-analysed. Multiple correspondence analyses (MCA), followed by univariable logistic regression, were conducted to understand the association between aCFR and geodemographic, health and social indicators. Based on health indicators, states likely to report a higher aCFR were identified. Using random- and fixed-effects models, the aCFRs in India were 1.42 (95% CI 1.19 – 1.70) and 2.97 (95% CI 2.94 – 3.00), respectively. The aCFR was grouped with the incidence of diabetes, hypertension, cardiovascular diseases and acute respiratory infections in the first and second dimensions of MCA. The current study demonstrated the value of using meta-analysis to estimate aCFR. To decrease COVID-19 associated fatalities, states estimated to have a high aCFR must take steps to reduce co-morbidities. Article Summary Line Meta-analysis and the COVID-19 adjusted case fatality risks (aCFRs) in India are reported and states likely to report a higher aCFR have been identified.
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 | 0,027 | 0,052 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,006 | 0,031 |
| Bibliométrie | 0,004 | 0,005 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».