Smoking and risk of negative outcomes among COVID-19patients: A systematic review and meta-analysis
Notice bibliographique
Résumé
INTRODUCTION: COVID-19 has major effects on the clinical, humanistic and economic outcomes among patients, producing severe symptoms and death. Smoking has been reported as one of the factors that increases severity and mortality rate among COVID-19 patients. However, the effect of smoking on such medical outcomes is still controversial. This study conducted a comprehensive systematic review and meta-analysis (SR/MA) on the association between smoking and negative outcomes among COVID-19 patients. METHODS: Electronic databases, including PubMed, EMBASE, Cochrane Library, Science Direct, Google Scholar, were systematically searched from the initiation of the database until 12 December 2020. All relevant studies about smoking and COVID-19 were screened using a set of inclusion and exclusion criteria. The Newcastle-Ottawa Scale was used to assess the methodological quality of eligible articles. Random meta-analyses were conducted to estimate odds ratios (ORs) with 95% confidence interval (CIs). Publication bias was assessed using the funnel plot, Begg's test and Egger's test. RESULTS: A total of 1248 studies were retrieved and reviewed. A total of 40 studies were finally included for meta-analysis. Both current smoking and former smoking significantly increase the risk of disease severity (OR=1.58; 95% CI: 1.16-2.15, p=0.004; and OR=2.48; 95% CI: 1.64-3.77, p<0.001; respectively) with moderate appearance of heterogeneity. Similarly, current smoking and former smoking also significantly increase the risk of death (OR=1.35; 95% CI: 1.12-1.62, p=0.002; and OR=2.58; 95% CI: 2.15-3.09, p<0.001; respectively) with moderate appearance of heterogeneity. There was no evidence of publication bias, which was tested by the funnel plot, Begg's test and Egger's test. CONCLUSIONS: Smoking, even current smoking or former smoking, significantly increases the risk of COVID-19 severity and death. Further causational studies on this association and ascertianing the underlying mechanisms of this relation is warranted.
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 | 0,014 | 0,031 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,018 | 0,036 |
| Bibliométrie | 0,008 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| 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 ».