Temporal trends of sex differences for COVID-19 infection, hospitalisation, severe disease, intensive care unit (ICU) admission and death: a meta-analysis of 229 studies covering over 10M patients
Notice bibliographique
Résumé
Background: This review aims to investigate the association of sex with the risk of multiple COVID-19 health outcomes, ranging from infection to death. Methods: Pubmed and Embase were searched through September 2020. We considered studies reporting sex and coronavirus disease 2019 (COVID-19) outcomes. Qualitative and quantitative data were extracted using standardised electronic data extraction forms with the assessment of Newcastle Ottawa Scale for risk of bias. Pooled trends in infection, hospitalization, severity, intensive care unit (ICU) admission and death rate were calculated separately for men and women and subsequently random-effects meta-analyses on relative risks (RR) for sex was performed. Results: Of 10,160 titles, 229 studies comprising 10,417,452 patients were included in the analyses. Methodological quality of the included studies was high (6.9 out of 9). Men had a higher risk for infection with COVID-19 than women (RR = 1.14, 95%CI: 1.07 to 1.21). When infected, they also had a higher risk for hospitalization (RR = 1.33, 95%CI: 1.27 to 1.41), higher risk for severe COVID-19 (RR = 1.22, 95%CI: 1.17 to 1.27), higher need for Intensive Care (RR = 1.41, 95%CI: 1.28 to 1.55), and higher risk of death (RR = 1.35, 95%CI: 1.28 to 1.43). Within the period studied, the RR for infection and severity increased for men compared to women, while the RR for mortality decreased for men compared to women. Conclusions: Meta-analyses on 229 studies comprising over 10 million patients showed that men have a higher risk for COVID-19 infection, hospitalization, disease severity, ICU admission and death. The relative risks of infection, disease severity and death for men versus women showed temporal trends with lower relative risks for infection and severity of disease and higher relative risk for death at the beginning of the pandemic compared to the end of our inclusion period. PROSPERO registration: CRD42020180085 (20/04/2020)
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,019 | 0,041 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,013 | 0,052 |
| Bibliométrie | 0,005 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».