Influence of Preexisting Psychotic and Bipolar Disorders on the Outcomes of Acutely Hospitalized Patients With COVID-19
Notice bibliographique
Résumé
OBJECTIVE: COVID-19 outcomes are often worse among patients with preexisting conditions. The authors assessed the impact of preexisting psychotic and bipolar disorders (PsBPs) on COVID-19 outcomes. METHODS: A retrospective cohort study was conducted with COVID-19 patients admitted to three medical centers between April 20, 2020, and October 20, 2023. Patients were grouped into individuals with PsBPs (i.e., schizophrenia, other psychotic disorders, and bipolar disorders) and those with no psychiatric disorders (NPDs), defined as individuals without preexisting conditions such as nonpsychotic depression or anxiety. Data on demographic characteristics, clinical features, and COVID-19 severity were collected. The primary outcome was COVID-19 in-hospital mortality rate, and the secondary outcome was the association of PsBPs with COVID-19 severity. RESULTS: Among 7,370 hospitalized COVID-19 patients (43.7% female; mean age=42.7 years), 12.2% had a PsBP. Patients with PsBPs had higher intensive care unit (ICU) admission rates (44.5% vs. 21.8%, p=0.003) and mortality rates (39.2% vs. 23.8%, p=0.045). Time intervals to ICU admission (7.3 vs. 8.2 days, p=0.001) and in-hospital death (8.0 vs. 12.2 days, p=0.001) were significantly shorter in the PsBP group, compared with the NPD group. CONCLUSIONS: COVID-19 patients with PsBPs had worse outcomes, including higher ICU admission and mortality rates, and greater disease severity. These findings highlight the importance of early detection and tailored interventions for this vulnerable 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 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 | 0,000 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».