COVID-19 Clinical Profiles and Fatality Rates in Hospitalized Patients Reveal Case Aggravation and Selective Co-Infection by Limited Gram-Negative Bacteria
Notice bibliographique
Résumé
Bacterial co-infections may aggravate COVID-19 disease, and therefore being cognizant of other pathogens is imperative. We studied the types, frequency, antibiogram, case fatality rates (CFR), and clinical profiles of co-infecting-pathogens in 301 COVID-19 patients. Co-infection was 36% (n = 109), while CFR was 31.2% compared to 9.9% in non-co-infected patients (z-value = 3.1). Four bacterial species dominated, namely, multidrug-resistant Klebsiella pneumoniae (37%, n = 48), extremely drug-resistant Acinetobacter baumannii (26%, n = 34), multidrug-resistant Eschericia. coli (18.6%, n = 24), and extremely drug-resistant Pseudomonas aeruginosa (8.5%, n = 11), in addition to other bacterial species (9.3%, n = 12). Increased co-infection of K. pneumoniae and A. baumannii was associated with increased death rates of 29% (n = 14) and 32% (n = 11), respectively. Klebsiella pneumoniae was equally frequent in respiratory and urinary tract infections (UTI), while E. coli mostly caused UTI (67%), and A. baumannii and P. aeruginosa dominated respiratory infections (38% and 45%, respectively). Co-infections correlated with advance in age: seniors ≥ 50 years (71%), young adults 21–49 years (25.6%), and children 0–20 years (3%). These findings have significant clinical implications in the successful COVID-19 therapies, particularly in geriatric management. Future studies would reveal insights into the potential selective mechanism(s) of Gram-negative bacterial co-infection in 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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,001 |
| 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 ».