Predictive value of frailty in the mortality of hospitalized patients with COVID-19: a systematic review and meta-analysis
Notice bibliographique
Résumé
Background: The present study aimed to analyze the impact of frailty on mortality risk among hospitalized patients with coronavirus disease 2019 (COVID-19). Methods: Literature searches were conducted using the MEDLINE, Embase, and Cochrane databases for articles reporting the association between frailty and mortality in hospitalized patients with COVID-19. The quality of the included studies was assessed using the Newcastle-Ottawa scale (NOS). A random-effects meta-analysis was performed to calculate the pooled effects. Results: A total of 21 studies with 26,652 hospitalized patients were included. Sixteen studies used the Clinical Frailty Score (CFS), and five used other frailty assessment tools. The pooled estimates of frailty in hospitalized patients with COVID-19 were 51.4% [95% confidence interval (CI): 39.9–62.9%]. In the CFS group, frail patients experienced a higher rate of short-term mortality than non-frail patients [odds ratio (OR) =3.0; 95% CI: 2.3–3.9; I2=72.7%; P<0.001]. In the other tools group, frail patients had a significantly increased short-term mortality risk compared with non-frail patients (OR =2.4; 95% CI: 1.4–4.1; P=0.001). Overall, a higher short-term mortality risk was observed for frail patients than non-frail patients (OR =2.8; 95% CI: 2.3–3.5; P<0.001). In older adults, frail patients had a higher rate of short-term mortality than non-frail patients (OR =2.3; 95% CI: 1.8–2.9; P<0.001). Conclusions: Compared to non-frail hospitalized patients with COVID-19, frail patients suffered a higher risk of all-cause mortality, and this result was also found in the older adult group.
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 | 0,003 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,010 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| 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 | 0,000 |
| 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 ».