Predictors of all‐cause mortality among patients hospitalized with influenza, respiratory syncytial virus, or SARS‐CoV‐2
Notice bibliographique
Résumé
BACKGROUND: Shared and divergent predictors of clinical severity across respiratory viruses may support clinical and community responses in the context of a novel respiratory pathogen. METHODS: We conducted a retrospective cohort study to identify predictors of 30-day all-cause mortality following hospitalization with influenza (N = 45,749; 2010-09 to 2019-05), respiratory syncytial virus (RSV; N = 24 345; 2010-09 to 2019-04), or severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2; N = 8988; 2020-03 to 2020-12; pre-vaccine) using population-based health administrative data from Ontario, Canada. Multivariable modified Poisson regression was used to assess associations between potential predictors and mortality. We compared the direction, magnitude, and confidence intervals of risk ratios to identify shared and divergent predictors of mortality. RESULTS: A total of 3186 (7.0%), 697 (2.9%), and 1880 (20.9%) patients died within 30 days of hospital admission with influenza, RSV, and SARS-CoV-2, respectively. Shared predictors of increased mortality included older age, male sex, residence in a long-term care home, and chronic kidney disease. Positive associations between age and mortality were largest for patients with SARS-CoV-2. Few comorbidities were associated with mortality among patients with SARS-CoV-2 as compared with those with influenza or RSV. CONCLUSIONS: Our findings may help identify patients at greatest risk of illness secondary to a respiratory virus, anticipate hospital resource needs, and prioritize local prevention and therapeutic strategies to communities with higher prevalence of risk factors.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| 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 ».