Gastroenterological and Hepatic Manifestations of Patients with COVID-19, Prevalence, Mortality by Country, and Intensive Care Admission Rate: Systematic Review and Meta-analysis
Notice bibliographique
Résumé
Abstract Background & Aims Patient infected with the SARS-COV2 usually report fever and respiratory symptoms. However, multiple gastrointestinal (GI) manifestations such as diarrhea and abdominal pain has been described. The aim of this study was to evaluate the prevalence of GI, liver function test (LFT) abnormalities, and mortality of COVID-19 patients. Methods We performed a systematic review and meta-analysis of published studies that included cohort of patients infected with SARS-COV2 from December 1 st , 2019 to July 1 st , 2020. We collected data from the cohort of patients with COVID-19 by conducting a literature search using PubMed, Embase, Scopus, and Cochrane according to the preferred reporting Items for Systematic Reviews and MetaAnalyses (PRISMA) guidelines. We analyzed pooled data on the prevalence of overall and individual gastrointestinal symptoms, LFTs abnormalities and performed subanalyses to investigate the relationship between gastrointestinal symptoms, geographic location, fatality, and ICU admission. Results The available data of 17,802 positive patients for SARS-COV2 from 120 studies were included in our analysis. The most frequent manifestations were diarrhea (13.3%, 95% CI 12-16), nausea (9.1%, 95% CI 9-13) and elevated LFTs (23.7%, 95% CI 21- 27). The overall and GI fatality were 7.2% (95% CI 6 -10), and 1% (95% CI 1- 4) respectively. Subgroup analysis showed non statistically significant associations between GI symptoms/LFTs abnormalities and ICU admissions (OR=3.41, 95% CI 0.87 – 13.4). The GI mortality rate was 0.58% in China and 3.5% in the United States (95% CI 2 - 5). Conclusion Digestive symptoms and LFTs abnormalities are common in COVID-19 patients. Our subanalysis shows that the presence of gastrointestinal and liver manifestations does not appear to affect mortality, or ICU admission rate. However, the mortality rate was higher in the United States compared to China.
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 | 0,010 | 0,027 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,018 | 0,040 |
| Bibliométrie | 0,007 | 0,009 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| 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 ».