Characteristics of COVID-19 patients and risk factors of mortality in the early times of pandemic, Herat-Afghanistan
Notice bibliographique
Résumé
Objective: Coronaviruses are a large family of viruses that cause different types of diseases. This study aims to evaluate the risk factors for mortality based on comorbidity and socio-demographic characteristics among COVID-19 patients. 
 
 Methods: This cross-sectional study conducted in Herat, Afghanistan, from February 24 to July 5, 2020, used data provided by the public health department, including socio-demographics, symptoms, comorbidities, hospitalization, contact history, and COVID-19 test type. The Chi-square test was used to observe differences between categorical variables. In bivariate analysis, all independent variables with a significant p-value were put into the model. Odds ratios and 95% confidence intervals were calculated, and a p-value less than 0.05 was considered statistically significant. 
 
 Results: The study analyzed 11,183 COVID-19 cases, with a 53.5% positivity rate. Recovery rates in the city and Herat province districts were 96.2% and 94.7%, respectively. Case-fatality rates varied with age, with 0.4% for those aged 1-29 and 33% for those aged 80-105. Mortality rates were highest for those with COPD and cancer, at 12.5% and 18.2%, respectively. In the logistic regression results, age, gender, and COPD were significant variables for COVID-19 mortality. 
 
 Conclusion: By providing more health service facilities to people in risk groups, especially in rural areas, the mortality rate of COVID-19 and other diseases can be decreased.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| 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 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 ».