The differential impact of pediatric COVID-19 between high-income countries and low- and middle-income countries: A systematic review of fatality and ICU admission in children worldwide
Notice bibliographique
Résumé
BACKGROUND: The overall global impact of COVID-19 in children and regional variability in pediatric outcomes are presently unknown. METHODS: To evaluate the magnitude of global COVID-19 death and intensive care unit (ICU) admission in children aged 0-19 years, a systematic review was conducted for articles and national reports as of December 7, 2020. This systematic review is registered with PROSPERO (registration number: CRD42020179696). RESULTS: We reviewed 16,027 articles as well as 225 national reports from 216 countries. Among the 3,788 global pediatric COVID-19 deaths, 3,394 (91.5%) deaths were reported from low- and middle-income countries (LMIC), while 83.5% of pediatric population from all included countries were from LMIC. The pediatric deaths/1,000,000 children and case fatality rate (CFR) were significantly higher in LMIC than in high-income countries (HIC) (2.77 in LMIC vs 1.32 in HIC; p < 0.001 and 0.24% in LMIC vs 0.01% in HIC; p < 0.001, respectively). The ICU admission/1,000,000 children was 18.80 and 1.48 in HIC and LMIC, respectively (p < 0.001). The highest deaths/1,000,000 children and CFR were in infants < 1 year old (10.03 and 0.58% in the world, 5.39 and 0.07% in HIC and 10.98 and 1.30% in LMIC, respectively). CONCLUSIONS: The study highlights that there may be a larger impact of pediatric COVID-19 fatality in LMICs compared to HICs.
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 | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,007 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».