Why do men have worse COVID-19-related outcomes? A systematic review and meta-analysis with sex adjusted for age
Notice bibliographique
Résumé
We aimed to study the mechanism behind worse coronavirus disease-19 (COVID-19) outcomes in men and whether the differences between sexes regarding mortality as well as disease severity are influenced by sex hormones. To do so, we used age as a covariate in the meta-regression and subgroup analyses. This was a systematic search and meta-analysis of observational cohorts reporting COVID-19 outcomes. The PubMed (Medline) and Cochrane Library databases were searched. The primary outcome was COVID-19-associated mortality and the secondary outcome was COVID-19 severity. The study was registered at PROSPERO: 42020182924. For mortality, men had a relative risk of 1.36 (95%CI: 1.17 to 1.59; I2 63%, P for heterogeneity <0.01) compared to women. Age was not a significant covariate in meta-analysis heterogeneity (P=0.393) or subgroup analysis. For disease severity, being male was associated with a relative risk of 1.29 (95%CI: 1.19 to 1.40; I2 48%, P for heterogeneity <0.01) compared to the relative risk of women. Again, age did not influence the outcomes of the meta-regression (P=0.914) or subgroup analysis. Men had a higher risk of COVID-19 mortality and severity regardless of age, decreasing the odds of hormonal influences in the described 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 | 0,032 | 0,177 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».