Most common concurrent infections with COVID-19
Notice bibliographique
Résumé
Concurrent infections are a common complication of viral respiratory infections. They pose diagnostic challenges due to an overlap of similar symptoms, resistance to treatment and extending length of hospital stay. In this review we will extensively discuss the most common concurrent infections in patients with coronavirus disease 2019 (COVID-19). A thorough literature search was conducted in online databases such as PubMed, Google Scholar and included systematic reviews, meta-analyses, prospective and retrospective cohort studies in this review. Bacterial co-infections are the most common concurrent infections in patients with COVID-19 succeeded by viral and fungal co-infections. The prevalence of co-infections in COVID-19 patients is higher in intensive care units (ICU). Gram negative bacteria such as Klebsiella pneumoniae, Pseudomonas aeruginosa and Escherichia coli, whereas gram positive bacteria such as Staphylococcus aureus are common pathogens for bacterial co-infections. The findings for the most common viral co-infection are inconsistent however, larger number of studies report respiratory viral co-infections such as influenza and respiratory syncytial virus. Fungal co-infections in COVID-19 patients are most commonly caused by the Candida spp. and occur predominantly in patients admitted in the ICU and are associated with high mortality and morbidity in COVID-19 patients. Continuous research on concurrent infections occurring in COVID-19 is essential. Larger prospective studies based on stratified groups of age, gender, and both ICU and non-ICU settings should be conducted. Studies on microbial susceptibility can lend more weight to empirical antibiotic and antifungal therapy. Early diagnosis of concurrent infections in COVID-19 is imperative to prevent poor patient outcomes.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».