Risk Factors Associated with Severity and Death from COVID-19 in Iran: A Systematic Review and Meta-Analysis Study
Notice bibliographique
Résumé
Objectives: This study aims to investigate the risk factors associated with severity and death from COVID-19 through a systematic review and meta-analysis of the published documents in Iran. Methods: A systematic search was performed based on all articles indexed in Scopus, Embase, Web of Science (WOS), PubMed, and Google Scholar in English and Scientific Information Database (SID) and Iranian Research Institute for Information Science and Technology (IRA)NDOC indexes in Persian. To assess quality, we used the Newcastle Ottawa Scale. Publication bias was assessed using Egger's tests. Forest plots were used for a graphical description of the results. We used HRs, and ORs reported for the association between risk factors and COVID-19 severity and death. Results: Sixty-nine studies were included in the meta-analysis, of which 62 and 13 had assessed risk factors for death and severity, respectively. The results showed a significant association between death from COVID-19 and age, male gender, diabetes, hypertension, cardiovascular disease (CVD), cerebrovascular disease, chronic kidney disease (CKD), Headache, and Dyspnea. We observed a significant association between increased white blood cell (WBC), decreased Lymphocyte, increased blood urea nitrogen (BUN), increased creatinine, vitamin D deficiency, and death from COVID-19. There was only a significant relationship between CVD and disease severity. Conclusion: It is recommended that the predictive risk factors of COVID-19 severity and death mentioned in this study to be used for therapeutic and health interventions, to update clinical guidelines and determine patients’ prognoses.
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 | 0,006 | 0,563 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,027 | 0,002 |
| Bibliométrie | 0,001 | 0,002 |
| 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 | 0,002 |
| 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 ».