Early mortality in patients with cancer and COVID-19 infection treated with immunotherapy
Notice bibliographique
Résumé
Immunotherapy in the presence of COVID-19 infections raises concerns because of potential overlapping clinical complications and immune system enhancement. Further investigation is warranted to establish its safety and to improve clinical decisions. We conducted a retrospective cohort study using linked health administrative data from Ontario, Canada to assess 30-day mortality in patients with solid tumors who were treated with immunotherapy within 120 days before testing positive for COVID-19. A stepwise multivariable logistic regression model was used to identify clinical factors associated with 30-day mortality. Between January 2020 and April 2023, 281 patients tested positive for COVID-19 and were included in our study. The mean age was 68 (Standard Deviation: 10.3), 45% (127/281) were females and 58% (163/281) had lung cancer. 59% of patients (167/281) were treated with single agent immunotherapy, and almost 80% received at least one dose of COVID-19 vaccine. The 30-day mortality was 22% (63/281) and < 5% of patients were admitted to ICU or required ventilation. Factors associated with higher mortality were older age (Odds Ratio (OR) 1.60, 95% confidence interval (CI) 1.07–2.39), prior radiation therapy (OR 2.38, 95%CI 1.08–5.28), lower hemoglobin (< 10 g/dl) (OR 4.08, 95%CI 1.89–8.82) and higher leucocytes count (> 11,000/mm3) (OR 3.63, 95%CI 1.55–8.52). Immunotherapy does not seem to increase the risk of 30-day mortality in patients with COVID-19 infections compared to published outcomes of patients with cancer and COVID-19. Mortality was associated with certain clinical characteristics that need to be carefully examined when prescribing immunotherapy during future comparable pandemics.
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 | 0,000 | 0,000 |
| 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 ».