MétaCan
Menu
← Retour à la cohorte
Enregistrement W4308709408 · doi:10.1101/2022.11.06.22282006

Liver injury in hospitalized patients with COVID-19: An International observational cohort study

2022· preprint· en· W4308709408 sur OpenAlexafffund
Bharath Kumar Tirupakuzhi Vijayaraghavan, Saptarshi Bishnu, Joaquín Baruch, Barbara Wanjiru Citarella, Christiana Kartsonaki, Aronrag Meeyai, Zubair Umer Mohamed, Shinichiro Ohshimo, Benjamin Lefèvre, Abdulrahman Al‐Fares, Jose A. Calvache, Fabio Silvio Taccone, Piero Olliaro, Laura Merson, Neill K. J. Adhikari

Notice bibliographique

RevuemedRxiv · 2022
Typepreprint
Langueen
DomaineMedicine
ThématiqueCOVID-19 Clinical Research Studies
Établissements canadiensHealth Sciences CentreUniversity of TorontoSunnybrook Health Science Centre
Organismes subventionnairesCanadian Institutes of Health ResearchForeign, Commonwealth and Development OfficeUniversity of OxfordNational Institute for Health and Care ResearchBill and Melinda Gates Foundation
Mots-clésMedicineOdds ratioInternal medicineLiver injuryAcute kidney injuryMechanical ventilationConfidence intervalSepsisLogistic regressionGastroenterology

Résumé

récupéré en direct d'OpenAlex

Abstract Background Using a large dataset, we evaluated prevalence and severity of alterations in liver enzymes in COVID-19 and association with patient-centred outcomes. Methods We included hospitalized patients with confirmed or suspected SARS-CoV-2 infection from the International Severe Acute Respiratory and emerging Infection Consortium (ISARIC) database. Key exposure was baseline liver enzymes (AST, ALT, bilirubin). Patients were assigned Liver Injury Classification score based on 3 components of enzymes at admission: Normal; Stage I) Liver injury: any component between 1-3x upper limit of normal (ULN); Stage II) Severe liver injury: any component >= 3x ULN. Outcomes were hospital mortality, utilization of selected resources, complications, and durations of hospital and ICU stay. Analyses used logistic regression with associations expressed as adjusted odds ratios (OR) with 95% confidence intervals (CI). Results Of 17,531 included patients, 46.2% (8099) and 8.2% (1430) of patients had stage 1 and 2 liver injury respectively. Compared to normal, stages 1 and 2 were associated with higher odds of mortality (OR 1.53 [1.37-1.71]; OR 2.50 [2.10-2.96]), ICU admission (OR 1.63 [1.48-1.79]; OR 1.90 [1.62-2.23]) and invasive mechanical ventilation (OR 1.43 [1.27-1.70]; OR 1.95 (1.55-2.45).Stages 1 and 2 were also associated with higher odds of developing sepsis (OR 1.38 [1.27-1.50]; OR 1.46 [1.25-1.70]), acute kidney injury (OR 1.13 [1.00-1.27]; OR 1.59 [1.32-1.91]), and acute respiratory distress syndrome (OR 1.38 [1.22-1.55]; OR 1.80 [1.49-2.17]). Conclusions Liver enzyme abnormalities are common among COVID-19 patients and associated with worse outcomes. Study Highlights What is known? Abnormalities in liver enzymes in hospitalized patients with COVID-19 have been described in small, predominantly single-centre studies. Impact of such derangements on clinical outcomes are unclear. What is new here? In this large international study, we found that close to 50% of hospitalized patients with COVID-19 have abnormal liver enzymes at admission. Such derangements in liver enzymes are associated with worse clinical outcomes (survival, Intensive Care Unit admission and need for invasive mechanical ventilation). They are also associated with the development of complications such as Acute Kidney Injury, Sepsis and Acute Respiratory Distress Syndrome.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,008
Score d'incertitude au seuil0,017

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,003
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,003
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,087
Tête enseignante GPT0,443
Écart entre enseignants0,356 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2022
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revuemedRxiv→Même sujetCOVID-19 Clinical Research Studies→Travaux en français237 207→