The Impact of Comorbidities on COVID-19 Severity and Mortality in Egypt
Notice bibliographique
Résumé
Background Older persons and people of any age with certain underlying comorbidities such as diabetes mellitus, cardiovascular disease, lung disease, kidney disease, liver disease, and cancer are at a higher risk of severe disease course and death if they become infected with COVID-19. Identifying at-risk groups and risk factors for COVID-19 severity and mortality is important for guiding the efficient and appropriate prevention and management of patients with COVID-19. Objective This study aimed at describing the demographics and epidemiologic characteristics of confirmed COVID-19 cases in Egypt and determining the impact of different comorbidities on patients’ outcomes. Methods The data of all confirmed COVID-19 patients admitted to 408 governmental hospitals all over Egypt from February to May 2020 were collected retrospectively from the National Egyptian Disease Surveillance System. The cases were confirmed using RT-PCR. Results Overall, 28,415 patients (55% male and 45% female) were identified. Their median age was 44 years. Of those, 743 (2.6%) were admitted to ICU, 408 (1.4%) required ventilator, and 1045 (3.7%) died. Of the 21,617 (76.1%) patients with completed data, 4687 (21.7%) had comorbidities. Overall, 11.8% had diabetes, 5.3% cardiovascular disease, and 4.3% chronic obstructive pulmonary disease. Those who had 1 comorbidity were more likely to die (odds ratio 2.83), were admitted to ICU (odds ratio 6.36), and needed a ventilator (odds ratio 5.95) compared to patients with no comorbidities. Having multiple comorbidities increased the risk of mortality (odds ratio 3.53), ICU admission (odds ratio 8.62), and requiring a ventilator (odds ratio 9.06). Conclusions COVID-19 patients with comorbidities had a higher risk of disease severity and mortality. Multiple comorbidities further increase the risk to a higher extent. All necessary precautions should be taken for patients with comorbidities to avoid COVID-19 infection in order to prevent the worst prognosis.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».