Predictors of mortality among hospitalized patients with COVID-19: A single-centre retrospective analysis
Notice bibliographique
Résumé
Background The severity of disease and mortality due to coronavirus disease (COVID-19) was found to be high among patients with concurrent medical illnesses. Serum biomarkers can be used to predict the course of COVID-19 pneumonia. Data from India are very scarce about predictors of mortality among COVID-19 patients. Methodology In the present retrospective study of 65 RT-PCR confirmed COVID-19 patients, we retrieved data regarding clinical symptoms, laboratory parameters, and radiological grading of severity. Further, we also collected data about their hospital course, duration of stay, treatment, and outcome. Data analysis was done to compare the patient characteristics between survivor and non-survivor groups and to assess the predictors of mortality. Results The mean age of the study population was 56.23 years (SD, 12.91) and most of them were males (63%); 81.5% of patients survived and were discharged, whereas 18.5% of patients succumbed to the disease. Univariate analysis across both groups showed that older age, diabetes mellitus, higher computed tomogram (CT) severity score, and raised levels of laboratory parameters viz, D-dimer, CPK-MB (creatine kinase), and lactate dehydrogenase (LDH) were associated with increased mortality among hospitalized patients. On multivariate analysis, elevated levels of serum D-dimer (odds ratio, 95% CI: 10.98, 1.13--106.62, p = 0.04) and LDH (odds ratio, 95% CI: 19.15, 3.28--111.87, p = 0.001) were independently associated with mortality. Conclusion Older patients, diabetics, and patients with high CT severity scores at admission are at increased risk of death from COVID-19. Serum biomarkers such as D-dimer and LDH help in predicting mortality 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 | 0,001 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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) | 0,001 | 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 ».