Prevalence of Obesity and its Effects in Patients With COVID-19: A Systematic Review and Meta-analysis
Notice bibliographique
Résumé
Background: Coronavirus disease 2019 (COVID-19) is an emerging infectious disease worldwide. Obesity has been proven to increase the susceptibility of an individual to infections, but the relationship between obesity and COVID-19 is still unclear. This study aimed to conduct a systematic review and meta-analysis of the prevalence of obesity and its effects in patients with COVID-19. Methods: Web of Science, PubMed and Embase were searched for English language studies up to May 22, 2020. We used a random or fixed-effects model to calculate pooled prevalence rates and odds ratio (OR) with 95% confidence intervals (CI). Results: Twelve studies with a total of 14 364 patients met the inclusion criteria. The pooled prevalence of obesity in patients with COVID-19 was 32.0% (95% CI, 26%-38%, P < .001). The prevalence of obesity in ICU COVID-19 patients were 37.0% (95% CI, 29%-46%, P < .001). Comparing between obese and non-obese patients, the meta-analysis showed that obesity was an important risk factor associated with COVID-19 patients needed for ICU care (OR: 1.36, 95% CI 1.22-1.52, P < .001). Conclusion: Obesity was highly prevalent (32.0%) in patients with COVID-19, especially in ICU patients (37.0%), and was an important risk factor for COVID-19 patients needed for ICU care.
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 | 0,012 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,016 | 0,044 |
| Bibliométrie | 0,007 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».