Prediction of Mortality by Clinical Laboratory Parameters in Severe Fever with Thrombocytopenia Syndrome: A Meta-Analysis
Notice bibliographique
Résumé
Background: This study intended to fully assess the predictive efficiency of different clinical laboratory parameters for the mortality risk in severe fever with thrombocytopenia syndrome (SFTS). Methods: We systematically searched the Web of Science, PubMed, Cochrane Library, and Embase up to 13 December 2024 for studies on the association of laboratory parameters with SFTS mortality. Two investigators were independently responsible for the study screening and data extraction, and they assessed the study quality using the Newcastle–Ottawa Scale (NOS). Stata17.0 was adopted for the meta-analyses. Results: We finally included 33 observational studies involving 9502 participants (1799 deaths and 7703 survivors). The results showed that increases in the viral load (odds ratio (OR) 1.93, 95% confidence interval (CI) 1.56–2.38), neutrophil-to-lymphocyte ratio (hazard ratio (HR) 1.31, 95% CI 1.13–1.51), neutrophil percentage (HR 1.02, 95% CI 1.01–1.03), white blood cells (HR 1.06, 95% CI 1.01–1.11), activated partial thromboplastin time (OR 1.07, 95% CI 1.04–1.09), prothrombin time (OR 1.31, 95% CI 1.03–1.65), creatine kinase-myocardial band (OR 1.01, 95% CI 1.01–1.02), and procalcitonin (HR 1.27, 95% CI 1.10–1.47) greatly increased the SFTS mortality, while decreases in the lymphocyte percentage (HR 0.96, 95% CI 0.94–0.98), platelets (HR 0.98, 95% CI 0.97–0.99), and albumin (HR 0.91, 95% CI 0.86–0.96) also greatly increased the SFTS mortality; the results were all statistically significant (p < 0.05). Conclusion: Abnormalities of laboratory parameters (e.g., viral load, blood routine, coagulation, multi-organ dysfunction, and inflammation indicators) are good predictors of SFTS mortality, which can provide valuable references in clinical practice.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,006 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».