A Population-Based Outcome-Wide Association Study of the Comorbidities and Sequelae Following COVID-19 Infection
Notice bibliographique
Résumé
BACKGROUND: Immense attention has been given to the outcome of COVID-19 infection. However, comprehensive studies based on large populational cohort with long-term follow-up are still lacking. This study aimed to investigate the risk of various short-term comorbidities (within one month) and long-term sequelae (above one month) after COVID-19 infection. METHODS: In this large prospective cohort study with 14 months follow-up information based on UK biobank, we included 16,776 COVID-19-positive participants and 58,281 COVID-19-negative participants matched for comparison. The risk of each comorbidity and sequela was evaluated by multivariable logistic regression analysis and presented as hazard ratio (HR) and 95% confidence interval (95% CI). RESULTS: COVID-19-positive individuals had a higher risk of 47 types of comorbidities within one month following COVID-19 infection, especially those who were older, male, overweight/obese, ever-smoked, with more pre-existing comorbidities and hospitalized. About 70.37% of COVID-19 patients with comorbidities had more than one co-occurring comorbidities. Additionally, only 6 high-risk sequelae were observed after one month of COVID-19 infection, and the incidence was relatively low (< 1%). CONCLUSION: In addition to long-term sequelae following COVID-19 infection, plenty of comorbidities were observed, especially in patients with older age, male gender, overweight/obese, more pre-existing comorbidities and severe COVID-19, indicating that more attention should be given to these susceptible persons within this period.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».