The relationship of age, sex and prothrombin time related to the severity and mortality of COVID-19 patients with diabetes mellitus: a systematic review and meta analysis
Notice bibliographique
Résumé
Background: SARS-CoV-2 first appeared in Wuhan, China, in December 2019. Looking at the prevalence data in the world and in Indonesia, the highest mortality rate due to COVID-19 involves age, gender and comorbidities such as diabetes mellitus. Severity of the condition also refers to coagulation abnormalities, such as abnormal prothrombin time values. Methods: This systematic review study and meta-analysis used online literature sourced from PubMed, Science Direct, EBSCO, Cochrane and Google Scholar. This study aimed to evaluate the association between age, sex, and prothrombin time and the likelihood of hospitalization among COVID-19 patients with diabetes. The literature used here is literature that has data on age, sex and prothrombin time of COVID-19 patients with diabetes mellitus whose quality is assessed by the NOS (Newcastle-Ottawa Scale) criteria and processing data using Review Manager 5.4. Results: Out of 8711 literatures that were traced from various search sources, there were 45 literatures that were included in this study. The results of the analysis on age showed the Standardized Mean Difference (SMD) value of 0.45 and P <0.0001 (95% CI: 0.23-0.68), the gender analysis showed an Odds Ratio (OR) value of 3.28 and P = 0.01 (95% CI: 1.26-8.52) and the prothrombin time analysis showed SMD values of 0.41 and P = 0.07 (95%CI = -0.03-0.85). Conclusion: Patients with COVID-19 who have DM have a higher risk of hospitalization compared to those without DM. Among COVID-19 patients with DM admitted to hospitals, they were older compared to those without DM and prothrombin time values similar but slightly higher in COVID-19 patients with DM.
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 | 0,012 | 0,076 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,005 | 0,001 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».