Kidney Complications of COVID-19: A Systematic Review and Meta-Analysis
Notice bibliographique
Résumé
BACKGROUND: Some patients with coronavirus disease 2019 (COVID-19) have been reported to have developed mild to severe kidney injuries. The current systematic review and meta-analysis was carried out to estimate the prevalence and incidence of acute kidney injury (AKI) among COVID-19 patients. STUDY DESIGN: A systematic review and meta-analysis . METHODS: PubMed, Embase, Scopus, Web of Science, and MedRxiv databases were searched from December 1, 2019, up to July 27, 2020. Two independent co-authors completed the screening process, data extraction, and quality assessment of the retrieved records. Random-effects meta-analyses were used to determine the pooled prevalence and 95% confidence interval (CI) of AKI among COVID-19 patients. RESULTS: Out of 2,332 unique identified records, 51 studies were included in the review. Overall, the studies were carried out on 25,600 patients. A total of 6,505 patients (in 18 cross-sectional studies) were included to estimate the pooled prevalence of AKI, and 18,934 patients (in 27 cohort studies) were included to determine the pooled incidence of AKI. The pooled prevalence of AKI was estimated as 10.08% (95% CI: 4.59, 17.32; I2=98.56%; P<0.001). Furthermore, the pooled incidence of AKI was 12.78% (95% CI: 7.38, 19.36; I2=99.27%; P<0.001). The mean (95% CI) values of serum creatinine (SCr), blood urea nitrogen (BUN), potassium, and sodium were 76.10 (69.36, 82.84), 4.60 (4.04, 5.30), 3.94 (3.78, 4.11), and 139.30 (138.26, 140.36) mmol/L, respectively. CONCLUSION: The AKI is a considerable complication among COVID-19 patients and should be screened for on clinical examinations. The BUN, SCr, potassium, and sodium levels were within the normal ranges.
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 | 0,100 | 0,309 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,014 | 0,002 |
| Bibliométrie | 0,004 | 0,012 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».