Accuracy of resting energy expenditure predictive equations in coronavirus disease 2019 (COVID-19) survivors
Notice bibliographique
Résumé
Background & Aims Coronavirus disease 2019 (COVID-19) may be associated with abnormal energy metabolism and lead to inaccurate resting energy expenditure (REE) estimations by predictive equations. Here, we report measured REE (mREE) of a group of COVID-19 survivors and compared its accuracy against predicted REE (pREE). Methods This was a cross-sectional analysis of patients who survived COVID-19 prior to July 2021. An indirect calorimeter was used for mREE and compared against 21 pREE equations, 10 of which used a measure of body composition. Paired t-tests and Bland-Altman analysis were used to evaluate agreement and relative accuracy or bias for percentage error between pREE and mREE; measurements within ±10% were considered accurate. Results We assessed 38 COVID-19 survivors; age: 48.5y (interquartile range: 40.2, 60.0), body mass index: 29.3±5.6 kg/m 2 , mREE: 1520± 275 kcal/d, time since COVID-19: 183.2 ±34.4 days. Ten (47.6%) pREE equations were significantly different from mREE ( P <0.05). Harris-Benedict equation had the smallest limits of agreement, ranging from -14.3% to 25.8% (or -249 to 393 kcal/d). Mifflin St-Jeor was the most accurate equation (within 10% of mREE). The best performing equation (Mifflin St-Jeor) still over or under-estimated pREE in ∼37% of the patients. Conclusion A large variability in mREE versus pREE was observed in COVID-19 survivors. Even the most accurate equation (Mifflin St-Jeor) exhibited higher inaccuracies compared to mREE. We need to explore better methods to estimate energy requirements during the COVID-19 recovery period, until more accurate predictive equations are developed this population.
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 | 0,007 | 0,190 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».