Frailty as a Predictor for Mortality Among Patients With COVID-19: A Systematic Review and Meta-Analysis
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract BackgroundA great number of studies have explored the association between frailty and mortality among COVID-19 patients, suggesting inconsistent results. The aim of this meta-analysis was to synthesize the evidence on this issue. MethodsThree databases, including PubMed, Embase, and Cochrane Library from inception to 20th October, 2020 were conducted to search for relevant literature. The Newcastle–Ottawa Scale (NOS) was used to assess quality bias, and STATA was employed to pool the effect size. Additionally, potential publication bias and sensitivity analysis was performed.ResultsThere are 11 studies that were included, with a total of 22105 COVID-19 patients for quantitative analysis. Overall, the pooled prevalence of frailty was 51% (95%CI:42%-60%). Patients infected with COVID-19 with frailty had an increased risk of mortality, compared to those without frailty, and the pooled HR was 2.27 (95%CI:1.79-2.89). In addition, subgroup analysis based on population showed that the pooled HR for hospitalized patients and nursing home residents was 2.24 (95%CI:1.74-2.89) and 2.95 (95%CI:1.19-7.32), respectively. Subgroup analysis using the frailty assessment tool indicated that this association still existed when using the clinical frailty scale (CFS)(HR=2.41;95%CI:1.60-3.62), frailty index(HR=2.95;95%CI:1.19-7.32), hospital frailty risk score (HR=1.96;95%CI:1.79-2.15) and palliative performance scale (HR= 2.89;95%CI:1.42-5.87). ConclusionOur study indicates that frailty was an independent predictor for mortality among patients with COVID-19. Thus, frailty could be a prognostic factor for clinicians to stratify high-risk groups, and remind doctors and nurses to perform early screening and corresponding interventions urgently needed to reduce mortality rates in patients infected by SARS-CoV-2.
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.
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 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,014 | 0,003 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découle