Global prevalence, treatment and outcome of tuberculosis and COVID-19 coinfection: a systematic review and meta-analysis (from November 2019 to March 2021)
Notice bibliographique
Résumé
INTRODUCTION: and SARS-CoV-2 infection. Currently, the prevalence status, treatment and outcomes of the coinfection are poorly characterised. We aimed to systematically review the evidence on this topic and provide comprehensive information to guide the control and treatment of TB-COVID coinfection. METHODS: An extensive screening was conducted using six electronic databases to search eligible studies from 1 November 2019 to 19 March 2021. Prevalence rate, treatment and outcomes of TB-COVID coinfection were extracted. Random-effects models were used to calculate mean fatality rates of coinfection with 95% CIs. The risks of bias were assessed with the Joanna Briggs Institute (JBI) Critical Appraisal Checklist for Study Reporting Prevalence Data and JBI Critical Appraisal Checklist for Case Report. A meta-analysis was conducted for subgroups on in-hospital fatality rate. RESULTS: Forty-two studies were included into the analysis (35 case reports and 7 retrospective cohort studies). Nineteen countries reported coinfected patients, including high and low TB prevalence countries. The only study revealing prevalence rate came from West Cape Province, South Africa (people aged above 20 years, 0.04% until 1 June 2020 and 0.06% until 9 June 2020). The treatment regimens for coinfected patients were highly heterogeneous. The mean overall and in-hospital fatality rates of coinfection were 13.9% (95% CI: 1.6% to 26.2%) and 17.5% (95% CI: 8.9% to 26.0%). The mean in-hospital fatality rates for high-income countries (Italy and Argentina) and low/middle-income countries (LMICs) (India, Philippines, South Africa) were 6.5% (95% CI: -0.8% to ~13.9%) and 22.5% (95% CI: 19.0% to ~26.0%). CONCLUSION: TB-COVID coinfection is common globally, and the coinfected patients suffer from higher fatality risk than patients with normal COVID-19. Outcomes shared significant differences between high-income countries and LMICs. PROSPERO REGISTRATION NUMBER: CRD42021253660.
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 | 0,010 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,015 | 0,030 |
| Bibliométrie | 0,008 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 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 ».