Are Patients with Coronavirus Disease 2019 and Obesity at a Higher Risk of Hospital and Intensive Care Unit Admissions? A Systematic Review and Meta-analysis
Notice bibliographique
Résumé
BACKGROUND: Obesity, common condition among patients with COVID-19, contributes to illness severity during hospitalization. To date, knowledge on the prevalence, risk of hospital and intensive care units (ICU) admissions and mortality is limited. Therefore, systematic review and meta-analysis were conducted using a PRISMA guideline. PURPOSE: The study aimed to address the prevalence, risk of hospital and ICU admissions and mortality among patients with COVID-19 and obesity. METHODS: The Newcastle–Ottawa scale was used to assess the quality of a study. Primary outcomes were the prevalence and risk of hospitalization, and secondary outcomes were the risk of ICU admissions and mortality risk. Mantel–Haenszel with random effects was applied, and the effect measure was odds ratio (OR) with 95% confidence interval (CI). RESULTS: Nine studies were included in the systematic review, and only four studies for meta-analysis. Among 29,776 patients with COVID-19, obesity was identified as the second-highest comorbidity. The prevalence rates of obesity and severe obesity among patients with COVID-19 were 26.1% and 15.5%, respectively. Obesity resulted in significantly increased risk of hospital admission (OR = 1.99, 95% CI = 1.12–3.53, p = 0.02) and ICU admission (OR = 1.77, 95% = CI 1.52–2.06, p < 0.00001). Severe obesity had a significantly increased risk of ICU admission (OR = 1.79, 95% CI = 1.42–2.25, p < 0.00001). The mortality rate of patients with COVID-19 and obesity was about 30.5% (438/1,434), and 19.7% (2,777/14,095) of them recovered from COVID-19. CONCLUSION: Obesity poses as nearly twice the risk of hospital and ICU admissions, and severe obesity contributes to almost twice the risk of ICU admissions.
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 | 0,070 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,009 | 0,001 |
| 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 | 0,003 |
| 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 ».