High Systolic Blood Pressure at Hospital Admission Is an Important Risk Factor in Models Predicting Outcome of COVID-19 Patients
Notice bibliographique
Résumé
BACKGROUND: The risk that coronavirus disease 2019 (COVID-19) patients develop critical illness that can be fatal depends on their age and immune status and may also be affected by comorbidities like hypertension. The goal of this study was to develop models that predict outcome using parameters collected at admission to the hospital. METHODS AND RESULTS: This is a retrospective single-center cohort study of COVID-19 patients at the Seventh Hospital of Wuhan City, China. Forty-three demographic, clinical, and laboratory parameters collected at admission plus discharge/death status, days from COVID-19 symptoms onset, and days of hospitalization were analyzed. From 157 patients, 120 were discharged and 37 died. Pearson correlations showed that hypertension and systolic blood pressure (SBP) were associated with death and respiratory distress parameters. A penalized logistic regression model efficiently predicts the probability of death with 13 of 43 variables. A regularized Cox regression model predicts the probability of survival with 7 of above 13 variables. SBP but not hypertension was a covariate in both mortality and survival prediction models. SBP was elevated in deceased compared with discharged COVID-19 patients. CONCLUSIONS: Using an unbiased approach, we developed models predicting outcome of COVID-19 patients based on data available at hospital admission. This can contribute to evidence-based risk prediction and appropriate decision-making at hospital triage to provide the most appropriate care and ensure the best patient outcome. High SBP, a cause of end-organ damage and an important comorbid factor, was identified as a covariate in both mortality and survival prediction models.
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 | 0,027 |
| 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 | 0,000 |
| 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) | 0,000 | 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 ».