Micronutrient perspective on COVID-19: Umbrella review and reanalysis of meta-analyses
Notice bibliographique
Résumé
Micronutrients are clinically important in managing COVID-19, and numerous studies have been conducted, but inconsistent findings exist. To explore the association between micronutrients and COVID-19. PubMed, Web of Science, Embase, Cochrane Library and Scopus for study search on July 30, 2022 and October 15, 2022. Literature selection, data extraction and quality assessment were performed in a double-blinded, group discussion format. Meta-analysis with overlapping associations were reconsolidated using random effects models, and narrative evidence was performed in tabular presentations. 57 reviews and 57 latest original studies were included. 21 reviews and 53 original studies were of moderate to high quality. Vitamin D, vitamin B, zinc, selenium, and ferritin levels differed between patients and healthy people. Vitamin D and zinc deficiencies increased COVID-19 infection by 0.97-fold/0.39-fold and 1.53-fold. Vitamin D deficiency increased severity 0.86-fold, while low vitamin B and selenium levels reduced severity. Vitamin D and calcium deficiencies increased ICU admission by 1.09 and 4.09-fold. Vitamin D deficiency increased mechanical ventilation by 0.4-fold. Vitamin D, zinc, and calcium deficiencies increased COVID-19 mortality by 0.53-fold, 0.46-fold, and 5.99-fold, respectively. The associations between vitamin D, zinc, and calcium deficiencies and adverse evolution of COVID-19 were positive, while the association between vitamin C and COVID-19 was insignificant. <b>REGISTRATION:</b> PROSPERO CRD42022353953.
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 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,104 | 0,005 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».