COVID-19 and pregnancy: epidemiology, clinical features, maternal and perinatal outcomes. A systematic review
Notice bibliographique
Résumé
Background and objectives: COVID-19 pandemic had quite a significant impact on a number of obstetric outcomes. This is often directly attributed to complications of COVID-19. This article is a systematically review literature on the epidemiology, clinical features, maternal and perinatal outcomes of COVID-19 in pregnancy.Materials and methods. A PRISMA methodology search was conducted on the databases of PubMed, Scopus, Medline, Google Scholar, Web of Science and Central BMJ using MeSH keywords or combinations of the words “COVID-19”, “SARS-CoV-2”, “pregnancy”, “epidemiology”, “comorbid disease”, “pregnancy and childbirth outcome”, “preeclampsia”, “fetus”. Only articles published between December 1, 2019 to February 28, 2022 were considered. After preliminary analysis of more than 600 publications, 21 articles were short-listed for final processing. The studies were selected using a Newcastle-Ottawa scale style questionnaire. The clinical features, risk factors, co-morbid conditions, maternal and neonatal outcomes were presented in two separate tables respectively. Results. COVID-19 incidence in pregnancy ranged from 4.9% to 10.0%. Such women were 5.4 times more likely to be hospitalized and 1.5 times more to need ICU care. Dyspnoea and hyperthermia were associated with a high risk of severe maternal (OR 2.56; 95% CI 1.92–3.40) and neonatal complications (OR 4.97; 95% CI 2.11–11.69). One in ten of neonates had a small weight for gestational age (9.27 ± 3.18%) and one in three required intensive care unit observation.Conclusions. Despite the increasingly emerging evidence on the associations between pregnancy and COVID-19 infection, the data is sometimes contradictory necessitating further studies.
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 | 0,004 | 0,122 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,011 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 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 ».