Características clínicas y epidemiológicas de los pacientes con COVID persistente en México
Bibliographic record
Abstract
Caracterización clínico-epidemiológica de los pacientes con COVID persistente en México", el cual me gustaría comentar.1 El COVID persistente consiste en un conjunto de síntomas que puede experimentar una persona después de presentar la enfermedad, generados por las secuelas pulmonares.Según cifras de poblaciones europeas y norteamericanas afectadas, estudios realizados por Centers for Disease Control and Prevention indican que entre 7.5 y 14 % de quienes presentaron COVID-19 agudo pueden padecer enfermedad persistente, proporción que varía de acuerdo con los países.Otra investigación similar se realizó en Perú, en el Hospital Regional Docente Clínico Quirúrgico "Daniel Alcides Carrión", de la ciudad de Huancayo.El estudio se basó en 88 expedientes clínicos de los años 2020 y 2021 de pacientes recuperados de COVID-19, quienes presentaron persistencia de síntomas después de la recuperación.La mitad de la muestra fue del sexo femenino, con una edad predominante de 36 a 59 años, con antecedente de diabetes y que se encontraba en la unidad de cuidados intensivos con síntomas persistentes de infección por SARS-CoV-2. 2 En tanto, en el estudio de investigación de Carpio se observó que el síndrome de COVID crónico afecta especialmente a población adulta cuyo sistema inmunitario está disminuido para contraatacar otras enfermedades con comorbilidades asociadas, lo que incrementa la mortalidad. 1 Ahora bien, existen otros síntomas perseverantes en pacientes con secuelas posagudas de COVID-19, como FinanciamientoEl autor declara que no hubo financiamiento. Responsabilidades éticasProtección de personas y animales.El autor declara que para este escrito no realizó experimentos en seres humanos ni en animales.Confidencialidad de los datos.El autor declara que en este escrito no aparecen datos de pacientes.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".