Venous Thromboembolism in Hospitalized Critical and Noncritical COVID-19 Patients: A Systematic Review and Meta-analysis
Notice bibliographique
Résumé
Abstract Introduction Venous thromboembolism (VTE) has been observed as a frequent complication in patients with severe novel coronavirus disease 2019 (COVID-19) infection requiring hospital admission. Aim This study was aimed to evaluate the epidemiology of VTE in hospitalized intensive care unit (ICU) and non-ICU patients. Materials and Methods PubMed was searched up to November 13, 2020, and updated in December 12, 2020. We included studies that evaluated the epidemiology of VTE, including pulmonary embolism (PE) and/or deep vein thrombosis (DVT), in patients with COVID-19. Results A total of 91 studies reporting on 35,017 patients with COVID-19 was included. The overall frequency of VTE in all patients, ICU and non-ICU, was 12.8% (95% confidence interval [CI]: 11.103–14.605), 24.1% (95% CI: 20.070–28.280), and 7.7% (95% CI: 5.956–9.700), respectively. PE occurred in 8.5% (95% CI: 6.911–10.208), and proximal DVT occurred in 8.2% (95% CI: 6.675–9.874) of all hospitalized patients. The relative risk for VTE associated with ICU admission was 2.99 (95% CI: 2.301–3.887, p <0.001). DVT and PE estimated in studies that adopted some form of systematic screening were higher compared with studies with symptom-triggered screening. Analysis restricted to studies in the 5th quintile of sample size reported significantly lower VTE estimates. Conclusion This study confirmed a high risk of VTE in hospitalized COVID-19 patients, especially those admitted to the ICU. Nevertheless, sensitivity analysis suggests that previously reported frequencies of VTE in COVID-19 might have been overestimated.
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 | 0,004 | 0,212 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,026 | 0,002 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».