Evaluating clinical characteristics studies produced early in the Covid-19 pandemic: A systematic review
Notice bibliographique
Résumé
OBJECTIVES: Clinical characterisation studies have been essential in helping inform research, diagnosis and clinical management efforts, particularly early in a pandemic. This systematic review summarises the early literature on clinical characteristics of patients admitted to hospital, and evaluates the quality of evidence produced during the initial stages of the pandemic. METHODS: MEDLINE, EMBASE and Global Health databases were searched for studies published from January 1st 2020 to April 28th 2020. Studies which reported on at least 100 hospitalised patients with Covid-19 of any age were included. Data on clinical characteristics were independently extracted by two review authors. Study design specific critical appraisal tools were used to evaluate included studies: the Newcastle Ottawa scale for cohort and cross sectional studies, Joanna Briggs Institute checklist for case series and the Cochrane collaboration tool for assessing risk of bias in randomised trials. RESULTS: The search yielded 78 studies presenting data on 77,443 people. Most studies (82%) were conducted in China. No studies included patients from low- and middle-income countries. The overall quality of included studies was low to moderate, and the majority of studies did not include a control group. Fever and cough were the most commonly reported symptoms early in the pandemic. Laboratory and imaging findings were diverse with lymphocytopenia and ground glass opacities the most common findings respectively. Clinical data in children and vulnerable populations were limited. CONCLUSIONS: The early Covid-19 literature had moderate to high risk of bias and presented several methodological issues. Early clinical characterisation studies should aim to include different at-risk populations, including patients in non-hospital settings. Pandemic preparedness requires collection tools to ensure observational studies are methodologically robust and will help produce high-quality data early on in the pandemic to guide clinical practice and public health policy. REVIEW REGISTRATION: Available at https://osf.io/mpafn.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,053 | 0,216 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,015 | 0,014 |
| Bibliométrie | 0,023 | 0,021 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,007 | 0,006 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 source (Gemma direct ou Codex distillé), 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 ».