COVID-19 Recovery Time and Its Predictors among Hospitalized Patients to Designated Hospitals in the Madhesh Province of Nepal: A Multicentric Study
Notice bibliographique
Résumé
This study aimed to determine the COVID-19 recovery time and identify predictors among hospitalized patients in the Dhanusha District of Madhesh Province, Nepal. This hospital-based longitudinal study involved 507 COVID-19 patients admitted to three distinct medical facilities for therapeutic intervention between April to October 2021. Data were collected for patient demography, symptoms, vital signs, oxygen saturation levels, temperatures, heart rates, respiratory rates, and blood pressure measurements and other health-related conditions. Kaplan–Meier Survival Curve estimated the recovery time from, and Cox proportional hazard model was used to identify the predictors of recovery time. Of the total participants, mean age was 51.1 (SD=14.9) years, 68.0% were males, 49.5% recovered, and 16.8% died. The median for patient recovery was 26 days (95% CI: 25.1–26.7). Patients with severe or critical conditions were less likely to recover compared to those with milder conditions (Hazard Ratio (HR)=0.34, 95% CI: 0.15-0.79; p=0.012). In addition, an increase in oxygen saturation was associated with an elevated likelihood of recovery (HR=1.09, 95% CI=1.01-1.17, p=0.018). This study underscores the need for early admission in hospital and emphasizing the targeted interventions in severe cases. Additionally, the results highlight the importance of optimizing oxygen levels in COVID-19 patient 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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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 ».