Changes in Stroke Hospital Care During the COVID-19 Pandemic: A Systematic Review and Meta-Analysis
Notice bibliographique
Résumé
Background and Purpose: We systematically evaluated the impact of the coronavirus 2019 (COVID-19) pandemic on stroke care across the world. Methods: Observational studies comparing characteristics, acute treatment delivery, or hospitalization outcomes between patients with stroke admitted during the COVID-19 pandemic and those admitted before the pandemic were identified by Medline, Scopus, and Embase databases search. Random-effects meta-analyses were conducted for all outcomes. Results: We identified 46 studies including 129 491 patients. Patients admitted with stroke during the COVID-19 pandemic were found to be younger (mean difference, −1.19 [95% CI, −2.05 to −0.32]; I 2 =70%) and more frequently male (odds ratio, 1.11 [95% CI, 1.01–1.22]; I 2 =54%) compared with patients admitted with stroke in the prepandemic era. Patients admitted with stroke during the COVID-19 pandemic, also, had higher baseline National Institutes of Health Stroke Scale scores (mean difference, 0.55 [95% CI, 0.12–0.98]; I 2 =90%), higher probability for large vessel occlusion presence (odds ratio, 1.63 [95% CI, 1.07–2.48]; I 2 =49%) and higher risk for in-hospital mortality (odds ratio, 1.26 [95% CI, 1.05–1.52]; I 2 =55%). Patients with acute ischemic stroke admitted during the COVID-19 pandemic had higher probability of receiving endovascular thrombectomy treatment (odds ratio, 1.24 [95% CI, 1.05–1.47]; I 2 =40%). No difference in the rates of intravenous thrombolysis administration or difference in time metrics regarding onset to treatment time for intravenous thrombolysis and onset to groin puncture time for endovascular thrombectomy were detected. Conclusions: The present systematic review and meta-analysis indicates an increased prevalence of younger patients, more severe strokes attributed to large vessel occlusion, and higher endovascular treatment rates during the COVID-19 pandemic. Patients admitted with stroke during the COVID-19 pandemic had higher in-hospital mortality. These findings need to be interpreted with caution in view of discrepant reports and heterogeneity being present across studies.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,014 | 0,004 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| 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 ».