Outcomes and Risk Factors of Patients With COVID-19 and Cancer (ONCORONA): Findings from The Philippine CORONA Study
Notice bibliographique
Résumé
Background A study conducted in China on patients with coronavirus disease 2019 (COVID-19) showed that cancer conferred a five times increased risk for needing intensive care admission and mortality; No data has yet been collected and published from the Philippines. Thus, the investigators conducted this substudy to determine the association of having a history of cancer with clinical outcomes among patients included in the Philippine CORONA Study. Methodology Multi-center, retrospective cohort design Results A total of 244 patients had a history of cancer, out of 10,881 COVID-19 hospital admissions. After adjusting for different confounding variables of interest, having cancer was significantly associated with a 75% increased odds of having severe/critical COVID-19 at nadir (CI 95% 1.32, 2.33; p < 0.001). After adjusting for different confounding variables of interest, having cancer was significantly associated with the following time-to-event outcomes: 72% increase in hazard of in-hospital mortality (CI 95% 1.37, 2.16; p < 0.001), 65% increase in hazard of respiratory failure (CI 95% 1.31, 2.08; p < 0.001), and 57% increase in hazard of being admitted to ICU (CI 95% 1.24, 1.97; p < 0.001). Conclusion A history of cancer conferred poorer clinical outcomes on adult, hospitalized COVID-19 patients.
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 | 0,000 | 0,001 |
| 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».