COVID-19 Recovery Time and Its Predictors among Hospitalized Patients in Designated Hospitals in the Madhesh Province of Nepal: A Multicentric Study
Notice bibliographique
Résumé
This study aimed to determine 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 and October 2021. Data were collected for patient demography, symptoms, vital signs, oxygen saturation levels, temperatures, heart rates, respiratory rates, blood pressure measurements, and other health-related conditions. Kaplan–Meier survival curves estimated the recovery time, and a Cox proportional hazard model was used to identify the predictors of recovery time. For the total participants, mean age was 51.1 (SD = 14.9) years, 68.0% were males. Of the total patients, 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 to hospital and emphasizes 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 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 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 ».