Neurological diseases and COVID-19: prospective analyses using the UK Biobank
Notice bibliographique
Résumé
COVID-19 (Coronavirus disease-19) may present with neurological signs, but whether people already affected by neurological conditions are at a higher risk of contracting COVID-19 is still not known. We, therefore, aimed to investigate the association of previously diagnosed neurological conditions with COVID-19. 502,536 community-dwelling UK Biobank participants (54.4% male, mean age 56.6 ± 10.3 years) were included. Among these, 57,463 participants had a diagnosis of neurological conditions (11.43%) and a total of 1326 COVID-19-positive cases were identified (0.26%). Neurological conditions were identified through medical history and linkage to data on hospital admissions (ICD-10 code G00-G99). COVID-19 presence was diagnosed using the data provided by Public Health England. The association of previous diagnosis of neurological conditions with COVID-19 was evaluated through logistic regressions, adjusted for potential confounders, reported as odds ratios (ORs) with their 95% confidence intervals (CIs). Nerve, nerve root and plexus disorders (G50-G59) were the most common conditions identified. The presence of COVID-19 was almost doubled in neurological conditions compared to the general population (0.45 vs. 0.24%, p < 0.0001). Previously diagnosed neurological conditions were associated with 60% higher odds of COVID-19 positive in the multivariable-adjusted model (OR = 1.6, 95% CI 1.4-1.8). Other degenerative diseases of the nervous system, extrapyramidal and movement disorders, polyneuropathies and other disorders of the peripheral nervous system, cerebral palsy and other paralytic syndromes were significantly associated with a higher odds of COVID-19. The presence of neurological conditions was associated with a significantly higher likelihood of COVID-19 compared to the general population.
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 | 0,000 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».