Effect of fibrinolytic therapy on ST-elevation myocardial infarction clinical outcomes during the COVID-19 pandemic: A systematic review and meta-analysis
Notice bibliographique
Résumé
BACKGROUND: ST-elevation myocardial infarction (STEMI) is the result of transmural ischemia of the myocardium and is associated with a high mortality rate. Primary percutaneous coronary intervention (PPCI) is the recommended first-line treatment strategy for patients with STEMI. The timely delivery of PPCI became extremely challenging for STEMI patients during the coronavirus disease 2019 (COVID-19) pandemic, leading to a projected steep rise in mortality. These delays were overcome by the shift from first-line therapy and the development of modern fibrinolytic-based reperfusion. It is unclear whether fibrinolytic-based reperfusion therapy is effective in improving STEMI endpoints. AIM: To determine the incidence of fibrinolytic therapy during the COVID-19 pandemic and its effects on STEMI clinical outcomes. METHODS: PubMed, Google Scholar, Scopus, Web of Science, and Cochrane Central Register of Controlled Trials were queried from January 2020 up to February 2022 to identify studies investigating the effect of fibrinolytic therapy on the prognostic outcome of STEMI patients during the pandemic. Primary outcomes were the incidence of fibrinolysis and the risk of all-cause mortality. Data were meta-analyzed using the random effects model to derive odds ratios (OR) and 95% confidence intervals. Quality assessment was carried out using the Newcastle-Ottawa scale. RESULTS: < 0.001) with all-cause mortality. CONCLUSION: There is an increased incidence of fibrinolysis during the pandemic period, but it has no effect on the risk of all-cause mortality. The low- and middle-income status has a significant impact on the all-cause mortality rate and the incidence of fibrinolysis.
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 | 0,013 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,019 | 0,009 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 |
| 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 ».