Retinal thickness in patients with elevated D-dimer and interleukin-6 levels as a result of SARS-CoV-2 infection
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Wprowadzenie SARS-CoV-2 może prowadzić do różnych problemów zdrowotnych, w tym ciężkiego zapalenia płuc, uszkodzenia narządów, jak również wpływać na siatkówkę. Badacze wykryli SARS-CoV-2 w siatkówkach zakażonych pacjentów i ustalili, że stosując nowe metody obrazowania, takie jak optyczna koherentna tomografia (OCT), można zbadać jego wpływ na oko. Cel pracy Udokumentowanie zmian w grubości siatkówki u pacjentów z COVID-19 hospitalizowanych z powodu obustronnego zapalenia płuc oraz ustalenie, jaki wpływ na grubość siatkówki mają saturacja (SpO2), poziom D-dimerów i interleukiny 6 (IL-6). Materiał i metody Badanie prospektywne obejmowało pacjentów z COVID-19 ocenianych po 2 miesiącach (grupa 1.) i ustalili, że ponownie po 8 miesiącach od wypisu ze szpitala (grupa 2.). Grubość siatkówki była automatycznie mierzona za pomocą OCT. Pomiar grubości siatkówki w grupie 2. porównano z wynikami zdrowych osób, a poziomy D-dimerów, IL-6 i SpO2 przy przyjęciu do szpitala były korelowane z grubością siatkówki w grupie 1. Wyniki W grupie 2. wykazano istotne zmniejszenie grubości siatkówki w porównaniu z grupą 1. w kilku regionach plamki żółtej z jednoczesnym wzrostem w innych obszarach. W grupie 2 stwierdzono większą grubość siatkówki w porównaniu z grupą kontrolną w niektórych regionach. Wykazano dodatnią korelację między SpO2 ≤ 90% a grubością siatkówki w grupie 1. w określonych regionach plamki żółtej. Wnioski Grubość siatkówki mierzona po przebyciu zakażenia SARS-CoV-2 zmienia się po 6 miesiącach od zakażenia. Niedotlenienie, nadkrzepliwość krwi i stan zapalny z powodu COVID-19 mogą wpływać na grubość siatkówki.
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.
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 | 0,002 |
| 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 découle