The challenge of deciding between home-discharge versus hospitalization in COVID-19 patients: The role of initial imaging and clinicolaboratory data
Notice bibliographique
Résumé
Background/ObjectiveIt is important to predict the COVID-19 patient's prognosis, particularly in countries with lack or deficiency of medical resource for patient's triage management. Currently, WHO guideline suggests using chest imaging in addition to clinicolaboratory evaluation to decide on triage between home-discharge versus hospitalization. We designed our study to validate this recommendation to guide clinicians. This study providing some suggestions to guide clinicians for better decision making in 2020.MethodsIn this retrospective study, patients with RT-PCR confirmed COVID-19 (N = 213) were divided in different clinical and management scenarios: home-discharge, ward hospitalization and ICU admission. We reviewed the patient's initial chest CT if available. We evaluated quantitative and qualitative characteristics of CT as well as relevant available clinicolaboratory data. Chi-square, One-Way ANOVA and Paired t-test were used for analysis.ResultsThe finding showed that most patients with mixed patterns, pleural effusion, 5 lobes involved, total score ≥10, SpO2% ≤ 90, ESR (mm/h) ≥ 60 and WBC (103/μL) ≥ 8000 were hospitalized. Most patients with Ground-glass opacities only, ≤3 lobes involvement, peripheral distribution, SpO2% ≥ 95, ESR (mm/h) < 30 and WBC(103/μL) < 6000 were home-discharged.ConclusionsThis study suggests the use of initial chest CT (qualitative and quantitative evaluation) in addition to initial clinicolaboratory data could be a useful supplementary method for clinical management and it is an excellent decision making tool (home-discharge versus ICU/Ward admission) for clinicians.
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 | 0,017 | 0,408 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».