Hyponatremia causing factors and its association with disease severity and length of stay in COVID-19 patients: A retrospective study from tertiary care hospital
Notice bibliographique
Résumé
The coronavirus disease-2019 (COVID-19) infection has taken the world by storm within a few months. Evidence has suggested that patients with electrolyte imbalances at baseline may have a longer duration of hospital stay. We aimed to determine the factors associated with hyponatremia on admission in COVID-19 patients and its impact on the length of stay. We conducted a retrospective study including 521 patients who tested positive for COVID-19 and had their electrolytes checked on admission from June 2020 to October 2020. Patients with sodium <135 mmol/l were included in the hyponatremic group and were compared against normonatremic patients. The severity of COVID-19 was found to be more prevalent in the case group as compared to control (38.3% vs 29.2%; 21.1% vs 17.7%). Hyponatremic patients stayed more than 5 days in hospital (56.3% vs 46.5%), and stayed longer in special care (23.4% vs 20.0%) as compared to controls. Hyponatremic patients as compared to control were more likely to have diabetes (47.9% vs 30.0%), hypertension (49.0% vs 38.5%), ischemic heart disease (20.7% vs 15.4%), chronic liver disease (2.7% vs 1.2%), and chronic kidney disease (9.6% vs 3.8%). Upon matching on the age, the adjusted odds of hyponatremia in COVID-19-positive patients were 1.9 times among diabetic patients. Moreover, COVID-19-positive patients suffering from CKD had a higher risk of developing hyponatremia (OR = 2.3, 95% CI: 1.1-5.6). The risk of hyponatremia among COVID-19-positive patients is statistically higher in patients with 1 comorbidity (OR = 1.9, 95%CI: 1.3-3.4). Hyponatremia on admission can be used to forecast the length of hospital stay and the severity of illness in COVID-19 patients.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 ».