Cirrhosis and fungal infections‐a cocktail for catastrophe: A systematic review and meta‐analysis with machine learning
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Objectives We evaluated the magnitude and factors contributing to poor outcomes among cirrhosis patients with fungal infections (FIs). Methods We searched PubMed, Embase, Ovid and WOS and included articles reporting mortality in cirrhosis with FIs. We pooled the point and relative‐risk (RR) estimates of mortality on random‐effects meta‐analysis and explored their heterogeneity ( I 2 ) on subgroups, meta‐regression and machine learning (ML). We assessed the study quality through New‐Castle‐Ottawa Scale and estimate‐asymmetry through Eggers regression. (CRD42019142782). Results Of 4345, 34 studies (2134 patients) were included (good/fair/poor quality: 12/21/1). Pooled mortality of FIs was 64.1% (95% CI: 55.4–72.0, I 2 : 87%, p < .01), which was 2.1 times higher than controls (95% CI: 1.8–2.5, I 2 :89%, p < .01). Higher CTP (MD: +0.52, 95% CI: 0.27–0.77), MELD (MD: +2.75, 95% CI: 1.21–4.28), organ failures and increased hospital stay (30 vs. 19 days) were reported among cases with FIs. Patients with ACLF (76.6%, RR: 2.3) and ICU‐admission (70.4%, RR: 1.6) had the highest mortality. The risk was maximum for pulmonary FIs (79.4%, RR: 1.8), followed by peritoneal FIs (68.3%, RR: 1.7) and fungemia (55%, RR: 1.7). The mortality was higher in FIs than in bacterial (RR: 1.7) or no infections (RR: 2.9). Estimate asymmetry was evident (p < 0.05). Up to 8 clusters and 5 outlier studies were identified on ML, and the estimate‐heterogeneity was eliminated by excluding such studies. Conclusions A substantially worse prognosis, poorer than bacterial infections in cirrhosis patients with FIs, indicates an unmet need for improving fungal diagnostics and therapeutics in this population. ACLF and ICU admission should be included in the host criteria for defining IFIs.
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.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,001 |
| 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 découle