Prevalence and Predictors of Concomitant Bacterial Infections in Patients With Respiratory Viruses in Ontario: A Cohort Study
Notice bibliographique
Résumé
Abstract Background To investigate the prevalence of concomitant bacterial infection across common viral infections. Methods This population-based cohort study included patients infected with influenza A and B (FLUA, FLUB) and respiratory syncytial virus (RSV) in Ontario between 2017 and 2019 and patients with SARS-CoV-2 between 2020 and 2021. Specific bacteria present in concomitant infections were identified. Concomitant infections were further classified into different categories (eg, coinfection −2 to +2 days from viral infection and secondary infection >2 days after viral infection). We used logistic regression models to estimate the odds of bacterial infections for FLUA, FLUB, and RSV relative to SARS-CoV-2 while adjusting for confounders. Results A total of 4230 (0.5%, 885 004) viral cases had concomitant bacterial infections, encompassing 422 of FLUB (4.7%, 8891), 861 of FLUA (3.9%, 22 313), 428 of RSV (3.4%, 12 774), and 2519 of COVID-19 (0.3%, 841 026). The most prevalent species causing concomitant bacterial infection were Staphylococcus aureus, Streptococcus pyogenes, and Pseudomonas aeruginosa. When compared with SARS-CoV-2, the adjusted odds ratio for bacterial infection was 1.69 (95% CI, 1.48–1.93) for FLUA, 2.30 (95% CI, 1.97–2.69) for FLUB, and 1.56 (95% CI, 1.33–1.82) for RSV. The adjusted odds of coinfection in patients with SARS-CoV-2 were lower but higher for secondary infection as compared with the other viruses. Conclusions A higher prevalence and risk of concomitant bacterial infection were found in FLUA, FLUB, and RSV as compared with SARS-CoV-2, although this is largely driven by coinfections. Ongoing surveillance efforts are needed to compare the risk of concomitant infections during periods when these viruses are cocirculating.
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 | 0,000 | 0,000 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».