The influence of ACE inhibitors and ARBs on hospital length of stay and survival in people with COVID-19
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
OBJECTIVE: During the COVID-19 pandemic the continuation or cessation of angiotensin-converting enzyme inhibitors (ACEi) and angiotensin receptor blockers (ARBs) has been contentious. Mechanisms have been proposed for both beneficial and detrimental effects. Recent studies have focused on mortality with no literature having examined length of hospital stay. The aim of this study was to determine the influence of ACEi and ARBs on COVID-19 mortality and length of hospital stay. METHODS: COPE (COVID-19 in Older People) is a multicenter observational study including adults of all ages admitted with either laboratory or clinically confirmed COVID-19. Routinely generated hospital data were collected. Primary outcome: mortality; secondary outcomes: Day-7 mortality and length of hospital stay. A mixed-effects multivariable Cox's proportional baseline hazards model and logistic equivalent were used. RESULTS: 1371 patients were included from eleven centres between 27th February to 25th April 2020. Median age was 74 years [IQR 61-83]. 28.6% of patients were taking an ACEi or ARB. There was no effect of ACEi or ARB on inpatient mortality (aHR = 0.85, 95%CI 0.65-1.11). For those prescribed an ACEi or ARB, hospital stay was significantly reduced (aHR = 1.25, 95%CI 1.02-1.54, p = 0.03) and in those with hypertension the effect was stronger (aHR = 1.39, 95%CI 1.09-1.77, p = 0.007). CONCLUSIONS: Patients and clinicians can be reassured that prescription of an ACEi or ARB at the time of COVID-19 diagnosis is not harmful. The benefit of prescription of an ACEi or ARB in reducing hospital stay is a new finding.
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.
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 | 0,018 |
| 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 découle