HIV infection and risk of COVID-19 mortality
Notice bibliographique
Résumé
BACKGROUND: This meta-analysis aimed to estimate the association of human immunodeficiency virus (HIV) infection and risk of coronavirus disease 2019 (COVID-19) mortality. METHODS: We systematically retrieved articles published on HIV infection and risk of COVID-19 mortality through PubMed, EMBase, China National Knowledge Infrastructure, WanFang, and Chongqing VIP databases using a predefined search strategy from December 1, 2019 to January 31, 2021. Newcastle-Ottawa Scale (NOS) was used to assess the quality of the included studies. Cochran Q test and I2 statistics were quantified to measure heterogeneity. Odds ratio (OR) and 95% confidence intervals (CI) were computed and displayed in the form of forest plots. Subgroup analysis was performed to explore the source of heterogeneity. Funnel plot, Begg test, and Egger test were used to assess potential publication bias. Stata software version 11.0 was used to analyze all the statistical data. RESULTS: We included 10 studies with 18,122,370 COVID-19 patients, of whom 41,113 were with HIV infection and 18,081,257 were without HIV infection. The pooled overall results suggested that people living with HIV infection had a higher risk of mortality from COVID-19 than those without HIV infection (OR = 1.252, 95% CI 1.027-1.524). Subgroup analysis showed that people living with HIV infection had a higher risk of COVID-19 mortality than those without HIV infection in the United States (OR = 1.520, 95% CI 1.252-1.845) and in South Africa (OR = 1.122, 95% CI 1.032-1.220); however, no significant association was found in the United Kingdom (OR = 0.878, 95% CI 0.657-1.174). CONCLUSION: Patients with HIV infection should be the emphasis population to prevent the risk of mortality during the clinical treatment of COVID-19 patients.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».