Characterization of Coinfections in Patients with COVID-19
Notice bibliographique
Résumé
Background: Little is known about coinfections in patients with COVID-19, with antibiotics often initiated empirically. Objectives: To determine the rates and characteristics of early and late coinfections in COVID-19 patients and to characterize the use of anti-infective agents, especially antibiotics. Methods: This retrospective chart review involved patients with COVID-19 who were admitted to Lions Gate Hospital (Vancouver, British Columbia) between January 1 and June 30, 2020. Data were extracted from electronic medical records, and descriptive statistics were used to analyze the data. Results: Of the 48 patients admitted during the study period, 10 (21%) were determined to have coinfections: 3 (6%) had early coinfections and 7 (15%) had late coinfections. Early empiric use of antibiotics was observed in 32 (67%) patients; for 29 (91%) of these 32 patients, the therapy was deemed inappropriate. Patients with coinfections had longer hospital stays and more complications. Conclusions: Despite low rates of early coinfection, empiric antibiotics were started for a majority of the patients. Most late coinfections occurred in patients in the intensive care unit who required mechanical ventilation. Patients with coinfections had poorer outcomes than those without coinfections. RÉSUMÉ Contexte : On sait peu de choses sur les co-infections chez les patients atteints de COVID-19, les médicaments antibiotiques étant souvent initiés de manière empirique.Objectifs : Déterminer les taux et les caractéristiques des co-infections précoces et tardives chez les patients atteints de COVID-19 et caractériser l’utilisation d’anti-infectieux, en particulier les antibiotiques. Méthodes : Cet examen rétrospectif des dossiers portait sur des patients atteints de COVID-19 qui ont été admis à l’hôpital Lions Gate, à Vancouver (Colombie-Britannique), entre le 1er janvier et le 30 juin 2020. Les données ont été extraites des dossiers médicaux électroniques et des statistiques descriptives ont été utilisées pour analyser les données. Résultats : Sur les 48 patients admis au cours de la période d’étude, 10 patients (21 %) présentaient des co-infections : 3 patients (6 %) avaient des co-infections précoces et 7 (15 %), des co-infections tardives. Une utilisation empirique précoce d’antibiotiques a été observée chez 32 patients (67 %); pour 29 de ces 32 patients (91 %), le traitement a été jugé inapproprié. Les séjours à l’hôpital des patients co-infectés étaient plus longs et ils présentaient davantage de complications. Conclusions : Malgré de faibles taux de co-infection précoce, des antibiotiques empiriques ont été instaurés pour la majorité des patients. La plupart des co-infections tardives sont survenues chez des patients de l’unité de soins intensifs nécessitant une ventilation mécanique. Les résultats des patients avec co-infections étaient moins bons que ceux sans co-infections.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 ».