COVID–19 and chronic kidney disease: an updated overview of reviews
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: Coronavirus disease (COVID-19) has resulted in the death of more than 3.5 million people worldwide. While COVID-19 mostly affects the lungs, different comorbidities can have an impact on its outcomes. We performed an overview of reviews to assess the effect of Chronic Kidney Disease (CKD) on contracting COVID-19, hospitalization, mortality, and disease severity. METHODS: We searched published and preprint databases. We updated the reviews by searching for primary studies published after August 2020, and prioritized reviews that are most updated and of higher quality using the AMSTAR tool. RESULTS: We included 69 systematic reviews and 66 primary studies. Twenty-eight reviews reported on the prevalence of CKD among patients with COVID-19, which ranged from 0.4 to 49.0%. One systematic review showed an increased risk of hospitalization in patients with CKD and COVID-19 (RR = 1.63, 95% CI 1.03-2.58) (Moderate certainty). Primary studies also showed a statistically significant increase of hospitalization in such patients. Thirty-seven systematic reviews assessed mortality risk in patients with CKD and COVID-19. The pooled estimates from primary studies for mortality in patients with CKD and COVID-19 showed a HR of 1.48 (95% CI 1.33-1.65) (Moderate certainty), an OR of 1.77 (95% CI 1.54-2.02) (Moderate certainty) and a RR of 1.6 (95% CI 0.88-2.92) (Low certainty). CONCLUSIONS: Our review highlights the impact of CKD on the poor outcomes of COVID-19, underscoring the importance of identifying strategies to prevent COVID-19 infection among patients with CKD.
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.
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 | 0,015 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 découle