COVID‐19 (SARS‐CoV‐2) infection and thrombotic conditions: A systematic review and meta‐analysis
Notice bibliographique
Résumé
BACKGROUND: COVID-19 is an infectious disease caused by SARS-CoV-2 associated with haematological manifestations (thrombolytic events). AIMS: Considering the high prevalence of the thrombotic scenarios associated with COVID-19, the aim of this study was to perform a systematic review of the available literature, concerning the relation of COVID-19 and the thrombotic events, and identify prognostic factors for these events. MATERIALS & METHODS: PubMed, Web of Science and Scopus databases were searched. Independent reviewers conducted all flow diagram steps. For qualitative analysis, Oxford level of evidence and Newcastle-Ottawa scale were used in the eligible articles. For the prognostic factors, a meta-analysis was conducted to age, number of neutrophils and platelets, and levels of ferritin, C-reactive protein, lactate dehydrogenase and D-dimer. Publication bias was accessed by funnel plot and by trim-and-fill test. Trim-and-fill test was also applied to evaluate meta-analysis bias. RESULTS: Twenty articles were included in the qualitative analysis, and 6 articles were included in the meta-analysis. Case-control studies showed bias related to exposure, and the main bias in cohort studies were related to selection and outcome. All articles received score 4 for the level of evidence. Hypertension and diabetes were the comorbidities more frequently associated with thrombolytic events. Significant results were found regarding D-dimer (P < .0001) and age (P = .0202) for thrombotic events in patients diagnosed with COVID-19. CONCLUSION: Patients older than 60 years, with hypertension, diabetes and D-Dimer values above 3.17 µg/mL, can be considered prognostic factors for developing thrombotic events due to COVID-19.
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 | 0,021 | 0,303 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,013 | 0,004 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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; 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 ».