Late diagnosis of COVID-19 in a 34-year-old man in a hypercoagulable state: A case report
Notice bibliographique
Résumé
Background: Late diagnosis of COVID-19 in young patients in a hypercoagulable state can cause a high mortality rate. Clinical manifestations of COVID-19 include respiratory and extrapulmonary symptoms such as a hypercoagulable state, increased transaminase enzymes, and multiple-organ failure. Case and outcomes: A 34-year-old male presented to the emergency room after 3 days of high fever, weakness, and flatulence. The patient had thrombocytopenia and elevated liver transaminase enzymes and was initially diagnosed with dengue hemorrhagic fever. He was given hydration intravenous fluids, oxygen, antipyretic, and hepatoprotector. On day 4, the patient was diagnosed with COVID-19 and received therapy to decrease the Alanine transaminase and Aspartate transaminase levels. While waiting for outsourced D dimer and prothrombin time results, the patient was given low molecular weight heparin (LMWH) on day 5. On day 13, his condition deteriorated with cephalgia and shortness of breath, but the patient's family refused intubation. The chest CT scan revealed large ground-glass opacities in both lungs. The patient was given additional medications, such as Meropenem, Dexamethasone, and Remdesivir. On day 15, the patient passed away. Discussion: Intermediate LMWH dosage seems to be associated with a lower mortality incidence than standard Deep Vein Thrombosis (DVT) prophylaxis in hospitalized COVID-19 patients. However, due to the late COVID-19 diagnosis, the patient was not given LMWH at the beginning of treatment. Conclusion: A hypercoagulable state is partly responsible for the high mortality rate of COVID-19 patients. Early detection and management of the hypercoagulable state, including the use of LMWH, can decrease the severity of COVID-19 symptoms.
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 | 0,004 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».