Comparative frequency and prognostic impact of myocardial injury in hospitalized patients with COVID-19 and Influenza
Notice bibliographique
Résumé
Aims: Myocardial injury (MINJ) in Coronavirus disease 2019 (COVID-19) identifies individuals at high mortality risk but its clinical relevance is less well established for Influenza and no comparative analyses evaluating frequency and clinical implications of MINJ among hospitalized patients with Influenza or COVID-19 are available. Methods and results: Hospitalized adults with laboratory confirmed Influenza A or B or COVID-19 underwent highly sensitive cardiac T Troponin (hs-cTnT) measurement at admission in four regional hospitals in Canton Ticino, Switzerland. MINJ was defined as hs-cTnT >14 ng/L. Clinical, laboratory and outcome data were retrospectively collected. The primary outcome was mortality up to 28 days. Cox regression models were used to assess correlations between admission diagnosis, MINJ, and mortality. Clinical correlates of MINJ in both viral diseases were also identified. MINJ occurred in 94 (65.5%) out of 145 patients hospitalized for Influenza and 216 (47.8%) out of 452 patients hospitalized for COVID-19. Advanced age and renal impairment were factors associated with MINJ in both diseases. At 28 days, 7 (4.8%) deaths occurred among Influenza and 76 deaths (16.8%) among COVID-19 patients with a hazard ratio (HR) of 3.69 [95% confidence interval (CI) 1.70-8.00]. Adjusted Cox regression models showed admission diagnosis of COVID-19 [HR 6.41 (95% CI 4.05-10.14)] and MINJ [HR 8.01 (95% CI 4.64-13.82)] to be associated with mortality. Conclusions: Myocardial injury is frequent among both viral diseases and increases the risk of death in both COVID-19 and Influenza. The absolute risk of death is considerably higher in patients admitted for COVID-19 when compared with Influenza.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».