Association between acute liver injury & severity and mortality of COVID-19 patients: A systematic review and meta-analysis
Notice bibliographique
Résumé
Background: Acute liver injury (ALI), a complication often seen in COVID-19 patients, can lead to severe liver damage, multi-organ failure, acute vascular events, and can potentially escalate to patient mortality. Given this, we initiated a meta-analysis to investigate the correlation between ALI and adverse outcomes in COVID-19 patients. Methods: We conducted an exhaustive search of databases, including Medline, Embase, PubMed Central, ScienceDirect, Google Scholar, and the Cochrane Library, from the November 2019 until January 2022. The quality of the included studies was evaluated using the Newcastle Ottawa (NO) scale. Our meta-analysis was carried out using a random-effects model and results were presented as pooled odds ratios (ORs) with their corresponding 95% confidence intervals (CIs). Results: Our analysis incorporated 20 studies involving a total of 13,850 participants, predominantly from China and the United States. According to the NO scale, the majority of these studies were categorized as low-quality. Patients with ALI faced approximately 7 times higher odds of severe COVID-19 symptoms (pooled OR = 7.09; 95%CI: 4.97 to 10.12) and over 5 times higher odds of mortality (pooled OR = 5.50; 95%CI: 3.37 to 8.99) when compared to those without ALI. Conclusion: Our findings affirm that ALI is a potent predictor of adverse outcomes, including severity and mortality, among COVID-19 patients. Recognizing and promptly addressing ALI in COVID-19 patients could be pivotal in improving prognosis and tailoring individualized patient management strategies. This underscores the need for clinicians to be vigilant about liver complications in the COVID-19 patients and integrate appropriate interventions in the treatment paradigm.
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 | 0,005 | 0,091 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,014 | 0,002 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».