Stroke in critically ill patients with respiratory failure due to COVID-19: Disparities between low-middle and high-income countries
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
PURPOSE: We aimed to compare the incidence of stroke in low-and middle-income countries (LMICs) versus high-income countries (HICs) in critically ill patients with COVID-19 and its impact on in-hospital mortality. METHODS: International observational study conducted in 43 countries. Stroke and mortality incidence rates and rate ratios (IRR) were calculated per admitted days using Poisson regression. Inverse probability weighting (IPW) was used to address the HICs vs. LMICs imbalance for confounders. RESULTS: 23,738 patients [20,511(86.4 %) HICs vs. 3,227(13.6 %) LMICs] were included. The incidence stroke/1000 admitted-days was 35.7 (95 %CI = 28.4-44.9) LMICs and 17.6 (95 %CI = 15.8-19.7) HICs; ischemic 9.47 (95 %CI = 6.57-13.7) LMICs, 1.97 (95 %CI = 1.53, 2.55) HICs; hemorrhagic, 7.18 (95 %CI = 4.73-10.9) LMICs, and 2.52 (95 %CI = 2.00-3.16) HICs; unspecified stroke type 11.6 (95 %CI = 7.75-17.3) LMICs, 8.99 (95 %CI = 7.70-10.5) HICs. In regression with IPW, LMICs vs. HICs had IRR = 1.78 (95 %CI = 1.31-2.42, p < 0.001). Patients from LMICs were more likely to die than those from HICs [43.6% vs 29.2 %; Relative Risk (RR) = 2.59 (95 %CI = 2.29-2.93), p < 0.001)]. Patients with stroke were more likely to die than those without stroke [RR = 1.43 (95 %CI = 1.19-1.72), p < 0.001)]. CONCLUSIONS: Stroke incidence was low in HICs and LMICs although the stroke risk was higher in LMICs. Both LMIC status and stroke increased the risk of death. Improving early diagnosis of stroke and redistribution of healthcare resources should be a priority. TRIAL REGISTRATION: ACTRN12620000421932 registered on 30/03/2020.
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) | 0,001 | 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