Typical chest CT features can determine the severity of Coronavirus Disease 2019 (COVID-19): a systematic review and meta-analysis of observational studies 
Notice bibliographique
Résumé
Abstract Background It remains unclear whether a specific chest CT characteristic is associated with the clinical severity of COVID-19. This meta-analysis was performed to assess the relationship between different chest CT features and severity of clinical presentation in COVID-19. Methods PubMed, Embase, Scopus, web of science databases (WOS), Cochrane library, and Google scholar were searched up to May 19, 2020 for observational studies that assessed the relationship of different chest CT manifestations and the severity of clinical presentation in COVID-19 infection. Risk of bias assessment was evaluated applying the Newcastle-Ottawa Scale. A random-effects model or fixed-effects model, as appropriately, were used to pool results. Heterogeneity was assessed using Forest plot, Cochran's Q test, and I2. Publication bias was assessed applying Egger’s test. Results A total of 18 studies involving 3323 patients were included. Bronchial wall thickening (OR 11.64, 95% CI 1.81- 74.66) was more likely to be associated with severe cases of COVID-19 infection, followed by linear opacity (OR 3.27, 95% CI 1.10- 9.70), and GGO (OR 1.37, 95% CI 1.08- 1.73). However, there was no significant association between the presence of consolidation and severity of clinical presentation (OR 2.33, 95% CI 0.85- 6.36). Considering the lesion distribution bilateral lung involvement was more frequently associated with severe clinical presentation (OR 3.44, 95% CI 1.74- 6.79). Conclusions Our meta-analysis of observational studies suggests some specific chest CT features. The presence of these CT features can help the physicians to early and appropriately approach to the severe and fatal cases of 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 | 0,023 | 0,109 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,015 | 0,005 |
| Bibliométrie | 0,003 | 0,011 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».