Diagnosis-wide analysis of COVID-19 complications: an exposure-crossover study
Notice bibliographique
Résumé
BACKGROUND: Many studies reporting coronavirus disease 2019 (COVID-19) complications have involved case series or small cohorts that could not establish a causal association with COVID-19 or provide risk estimates in different care settings. We sought to study all possible complications of COVID-19 to confirm previously reported complications and to identify potential complications not yet known. METHODS: (ICD-10-CM) diagnosis codes occurring before and after the onset of the COVID-19 pandemic in an exposure-crossover design. We included patients who received a diagnosis of COVID-19 between Mar. 1, 2020, and Apr. 30, 2020, and computed risk estimates and odds ratios (ORs) of association with COVID-19 for every ICD-10-CM diagnosis code. RESULTS: Among 70 288 patients with COVID-19, 69 of 1724 analyzed ICD-10-CM diagnosis codes were significantly associated with COVID-19. Disorders showing both strong association with COVID-19 and high absolute risk included viral pneumonia (OR 177.63, 95% confidence interval [CI] 147.19-214.37, absolute risk 27.6%), respiratory failure (OR 11.36, 95% CI 10.74-12.02, absolute risk 22.6%), acute kidney failure (OR 3.50, 95% CI 3.34-3.68, absolute risk 11.8%) and sepsis (OR 4.23, 95% CI 4.01-4.46, absolute risk 10.4%). Disorders showing strong associations with COVID-19 but low absolute risk included myocarditis (OR 8.17, 95% CI 3.58-18.62, absolute risk 0.1%), disseminated intravascular coagulation (OR 11.83, 95% CI 5.26-26.62, absolute risk 0.1%) and pneumothorax (OR 3.38, 95% CI 2.68-4.26, absolute risk 0.4%). INTERPRETATION: We confirmed and provided risk estimates for numerous complications of COVID-19. These results may guide prognosis, treatment decisions and patient counselling.
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 | 0,003 | 0,239 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| 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) | 0,005 | 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 ».