Cardiovascular Risk Factors and Clinical Outcomes among Patients Hospitalized with COVID-19: Findings from the World Heart Federation COVID-19 Study
Notice bibliographique
Résumé
Limited data exist on the cardiovascular manifestations and risk factors in people hospitalized with COVID-19 from low- and middle-income countries. This study aims to describe cardiovascular risk factors, clinical manifestations, and outcomes among patients hospitalized with COVID-19 in low, lower-middle, upper-middle- and high-income countries (LIC, LMIC, UMIC, HIC).Through a prospective cohort study, data on demographics and pre-existing conditions at hospital admission, clinical outcomes at hospital discharge (death, major adverse cardiovascular events (MACE), renal failure, neurological events, and pulmonary outcomes), 30-day vital status, and re-hospitalization were collected. Descriptive analyses and multivariable log-binomial regression models, adjusted for age, sex, ethnicity/income groups, and clinical characteristics, were performed.Forty hospitals from 23 countries recruited 5,313 patients with COVID-19 (LIC = 7.1%, LMIC = 47.5%, UMIC = 19.6%, HIC = 25.7%). Mean age was 57.0 (±16.1) years, male 59.4%, pre-existing conditions included: hypertension 47.3%, diabetes 32.0%, coronary heart disease 10.9%, and heart failure 5.5%. The most frequently reported cardiovascular discharge diagnoses were cardiac arrest (5.5%), acute heart failure (3.8%), and myocardial infarction (1.6%). The rate of in-hospital deaths was 12.9% (N = 683), and post-discharge 30 days deaths was 2.6% (N = 118) (overall death rate 15.1%). The most common causes of death were respiratory failure (39.3%) and sudden cardiac death (20.0%). The predictors of overall mortality included older age (≥60 years), male sex, pre-existing coronary heart disease, renal disease, diabetes, ICU admission, oxygen therapy, and higher respiratory rates (p < 0.001 for each). Compared to Caucasians, Asians, Blacks, and Hispanics had almost 2-4 times higher risk of death. Further, patients from LIC, LMIC, UMIC versus. HIC had 2-3 times increased risk of death.The LIC, LMIC, and UMIC's have sparse data on COVID-19. We provide robust evidence on COVID-19 outcomes in these countries. This study can help guide future health care planning for the pandemic globally.
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 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 ».