In-hospital mortality among hospitalized COVID-19 patients in a tertiary care hospital in Dhaka City: a retrospective cohort study
Notice bibliographique
Résumé
Background: In-hospital mortality during COVID-19 treatment is a crucial metric used to assess the severity of the disease and the effectiveness of medical interventions. By identifying mortality risk factors, we aim to inform policy decisions, optimize resource allocation, and improve preparedness for future pandemics. Methods: This retrospective cohort study was conducted at a tertiary hospital in Dhaka City, Bangladesh. Data were gathered from the hospital's electronic medical records between July 2021 and September 2021. After applying specific inclusion and exclusion criteria, 218 patients with complete medical records were selected for the analysis. The independent variables examined included demographic characteristics, comorbidities, and clinical features. To assess in-hospital mortality, relative risks (RR) and 95% confidence intervals were calculated using multivariable logistic regression analysis employing the Delta method. Results: The study included 218 hospitalized COVID-19 patients, primarily male (51.4%) with an average age of 56.4 years (standard deviation of 15 years). The overall in-hospital mortality rate was 18.3%. Older age (≥60) (RR:3.10, 95% CI: 1.16-8.29), long-standing hypertension (≥5 years) (RR:2.78, 95% CI:1.54-5.02), and chronic kidney disease (CKD) (RR:4.43, 95% CI:2.93-6.70) were significant risk factors for mortality. Patients with diabetes (≥3 years) had a moderately increased risk (RR:1.68, 95% CI: 1.01-2.83). Notably, shorter hospital stays (≤7 days) were associated with higher mortality, potentially due to delayed treatment initiation. Moreover, Vaccinated patients have a significantly lower risk of death (RR: 0.07) compared to unvaccinated patients, highlighting the protective effect of vaccination. Greater lung involvement (especially in lower lobes) and higher Total Severity Scores (TSS ≥ 14) strongly predict COVID-19 mortality, with non-survivors exhibiting significantly worse radiographic damage. Conclusion: Age, particularly when combined with chronic conditions like hypertension or chronic kidney disease, is a key predictor of in-hospital COVID-19 mortality. While gender is not an independent risk factor, males tend to have higher mortality rates. Delayed treatment, reflected by shorter hospital stays, also increases risk. Vaccination markedly lowers mortality. In resource-limited settings, lower lobe involvement >50% and TSS ≥ 14 can serve as early triage markers to guide ICU admission or intensified care. These indicators should inform risk assessment tools, resource allocation, and targeted interventions to reduce pandemic-related mortality.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».