Effects of physical activity on the severity of illness and mortality in COVID-19 patients: A systematic review and meta-analysis
Notice bibliographique
Résumé
Purpose: This systematic review and meta-analysis investigated the association between Physical activity (PA) before Coronavirus Disease 2019 (COVID-19) infection and the severity of illness and mortality in COVID-19 patients. Methods: A comprehensive search was undertaken to identify retrospective and nonrandomized controlled trial studies comparing the severity and mortality of COVID-19 infection among COVID-19 patients who had previously reported their participation in PA with those who had not. The databases searched were PubMed, Cochrane Library, Scopus, Science Direct, EMBASE, OPENGREY.EU, and ClinicalTrials.gov. The risk of bias was assessed using the Newcastle-Ottawa Scale. A random-effects model was used for determining pairwise meta-analyses. The protocol was registered with PROSPERO (CRD42021262548). Results: Eighteen studies met the inclusion criteria (5 cross-sectional, 12 cohort, and 1 case-control studies). All 1 618 680 subjects were adults. PA significantly decreased the risk of death in COVID-19 patients (odds ratio [OR] 0.34; 95% confidence interval [CI], 0.19-0.62; p < 0.001) and the risk of severe outcomes (OR 0.60; 95% CI, 0.48-0.76; p < 0.001). Subgroup analysis showed that PA for ≥150 min/wk at a moderate intensity or ≥75 min/wk at a vigorous intensity reduced the risks of severity and mortality. Vigorous PA reduced mortality risk, whereas moderate to vigorous PA reduced the risks of severity and mortality. Conclusion: PA before infection might reduce severity and mortality in COVID-19 patients, especially PA ≥ 150 min/wk of moderate activity or ≥75 min/wk of vigorous activity. However, careful interpretations should be considered due to the difference in PA patterns and severity definitions among included studies. This finding implies that engaging in regular PA, even in different patterns, has beneficial effects on the severity and mortality of COVID-19 patients.
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 | 0,012 | 0,029 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,023 | 0,042 |
| Bibliométrie | 0,007 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».