Lessons From the First Wave of the Pandemic: Skin Features of COVID-19 Can Be Divided Into Inflammatory and Vascular Patterns
Notice bibliographique
Résumé
This review examines the clinical, morphological, and systemic factors related to coronavirus disease 2019 (COVID-19) cutaneous manifestations. The EMBASE, Medline, and Pubmed Central databases were searched from February 1, 2020 until April 25, 2020, using the search words "(COVID-19 OR SARS-CoV-2 OR coronavirus-19) AND (skin OR cutaneous OR dermatologic)". Cutaneous manifestations of COVID-19 were included. The cutaneous manifestations can be classified into 2 types. Patients with inflammatory reactions consisted of morbilliform, varicella-like, urticarial eruptions, and vesiculobullous manifestations. These manifestations were mainly found on the trunk, limbs, and faces of patients and had mainly positive COVID-19 polymerase chain reaction findings (97.7%). Furthermore, there were 516 patients with acral vascular lesions: chilblains, livedo lesions, cutaneous small-vessel vasculitis, and other noninflammatory purpura. These were often nonpruritic (88%) and not seen in severe disease (88.7%). The cutaneous lesions have potential for early diagnosis of COVID-19 and prevention of disease transmission. The implications of COVID-19 in the field of dermatology continue to evolve as more clinical data becomes available.
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) | 0,004 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».