An update on the overall epidemiology, clinical characteristics, and outcomes from the COVID-19 and Cancer Consortium (CCC19).
Notice bibliographique
Résumé
10565 Background: Despite mitigation and treatment strategies, COVID-19 continues to negatively impact patients (pts) with cancer. Identifying factors that remain consistently associated with morbidity and mortality is critical for risk identification and care delivery. Methods: Using CCC19 registry data through 12/31/2021 we report clinical outcomes (30-day case fatality rate [CFR], mechanical ventilation use (MV), intensive care unit admission (ICU), and hospitalization) in adult pts with cancer and laboratory confirmed SARS-CoV-2, stratified by patient, cancer, and treatment-related factors. Results: In this cohort of 11,417 pts (with 4% reported vaccination prior to COVID-19), 55% required hospitalization, 15% ICU, 9% MV, and 12% died. Overall outcome rates remained similar for 2020 and 2021 (Table). Hydroxychloroquine was utilized in 11% and other anti-COVID-19 drugs (remdesivir, tocilizumab, convalescent plasma, and/or steroids) in 30%. Higher CFRs were observed in older age, males, Black race, smoking (14%), comorbidities (pulmonary [17%], diabetes mellitus [16%], cardiovascular [19%], renal [21%]), ECOG performance status 2+ (31%), co-infection (25%), especially fungal (35%), and initial presentation with severe COVID-19 (48%). Pts with hematologic malignancy, active/progressing cancer status, or receiving systemic anti-cancer therapy within 1-3 months prior to COVID-19 also had worse CFRs. CFRs were similar across anti-cancer modalities. Other outcomes (ICU, MV, hospitalization) followed similar distributions by pt characteristics. Conclusions: Unfavorable outcome rates continue to remain high over 2 years, despite fewer case reports in 2021 owing to multiple factors (e.g., pandemic dynamics, respondent fatigue, overwhelmed healthcare systems). Pts with specific socio-demographics, performance status, comorbidities, type and status of cancer, immunosuppressive therapies, and COVID-19 severity at presentation experienced worse COVID-19 severity; and these factors should be further examined through multivariable modeling. Understanding epidemiological features, patient and cancer-related factors, and impact of anti-COVID-19 interventions can help inform risk stratification and interpretation of results from clinical trials. [Table: see text]
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,006 | 0,013 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,005 |
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 source (Gemma direct ou Codex distillé), 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 ».