Sex differences in COVID-19 mortality: A large US-based cohort study (2020–2022)
Notice bibliographique
Résumé
Background: In the present study, we aim to assess the trend in mortality in COVID-19 by time and sex in a large cohort using Datavant's Death Index database. The main objectives of this study are to analyze mortality cases over time, which are categorized by sex and age, and to identify potential reasons for the observed differences. Methods: This is a retrospective cohort containing information on deceased individuals in the United States and Canada (n = 4,384,265). We included adult male and female patients with a clinical diagnosis of COVID-19 (January-December 2022) (ICD-10 code: U07.1). Mortality cases for males and females were presented over a three-year period of COVID-19 pandemic. Sex ratios presenting the change of mortality cases over time was also computed as the number of diagnosed males over female patients. Sex-differences in the mortality rates were illustrated by age groups. Results: In 2020, mortality cases increased to reach up to 200,000 cases per day and fluctuated due to social and/or cultural events in the US. In 2021, mortality cases reached the highest peak over the time period despite the US vaccine rollout due to holiday gatherings during November and December 2021, as well as the spread of a more contagious strain of the virus. In 2022, mortality cases decreased due to widespread vaccinations and a rise in natural immunity following the first Omicron surge. Furthermore, the proportion of COVID-19 cases in males and females remained stable during the pandemic; however, the number of diagnosed male patients markedly increased during the first months of 2022. Gender discrepancies suggest the role of various factors such as occupation, underlying comorbidities, and behavioral and immunological factors. Conclusion: Our study highlights higher mortality rates observed among males, suggesting that several factors may contribute to such differences, including social, behavioral, and biological factors. Our findings highlight the importance of implementing sex-specific treatment approaches in COVID-19 patients.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».