MétaCan
Menu
Back to cohort
Record W7002207790

Mortalité par sepsis et choc septique dans les maladies psychiatriques sévères : une revue systématique et méta-analyse

2023· dissertation· fr· W7002207790 on OpenAlexaboutno aff

Bibliographic record

VenueHAL AMU · 2023
Typedissertation
Languagefr
FieldComputer Science
TopicData Analysis with R
Canadian institutionsnot available
Fundersnot available
KeywordsIntensive careIle de franceSepsisCritically illResuscitation
DOInot available

Abstract

fetched live from OpenAlex

Contexte : des données contradictoires ont été rapportées concernant les résultats de mortalité associés à la septicémie et au choc septique chez les patients atteints de maladie mentale sévère (severe mental illness = SMI) par rapport à ceux sans maladie mentale (non-SMI). Les patients SMI présentent dans la plupart des pathologies somatiques des taux de mortalité plus élevés que leurs homologues non SMI. Cependant, plusieurs études récentes ont montré un taux de mortalité par sepsis ou choc septique significativement plus faible chez les patients SMI par rapport aux patients non-SMI. Objectif : l’objectif principal était de déterminer dans une méta-analyse si les patients SMI et non-SMI ont des taux de mortalité par sepsis ou choc septique à la sortie de l’hôpital ou à court terme (£ 30 jours) significativement différents. Les objectifs secondaires étaient de comparer les mortalité les taux de mortalité ajustés jusqu'à la sortie de l'hôpital ou, s'ils ne sont pas disponibles, à 30 jours ; ainsi que les taux de mortalité à long terme non ajustés et ajustés s'ils sont déclarés ; la durée du séjour en soins intensifs et à l'hôpital et le taux de ré hospitalisation. Méthodologie : les bases de données PubMed et Web of Science ont été explorées à la date du 4 juillet 2023 . Critères d’inclusion : l’ensemble des articles rapportant des résultats de mortalité par sepsis ou choc septique à la sortie de l'hôpital ou à court terme (£ 30 jours) chez les patients SMI et non-SMI âgés de 16 ans ou plus ont été inclus. Analyses statistiques. Pour le critère de jugement principal, les risques de biais (RoB) des études incluses ont été évalués à l'aide de l'échelle de Newcastle et d'Ottawa [4]. L'hétérogénéité statistique (c'est-à-dire la variation aléatoire entre les études) a été recherchée par inspection visuelle des forest plot et avec le test non paramétrique Q de Cochran et la statistique I2. Résultats : au total, 5 815 études ont été examinées, dont 6 incluses dans la revue systématique. Parmi ces 6 études, 4 ont fourni des données brutes adaptées à une méta-analyse sur notre critère de jugement principal. Les résultats ont montré un taux de mortalité plus faible chez les patients atteints de SMI par rapport aux patients non-SMI, avec un OR de 0,61, IC à 95 % [0,58-0,65], IP 95 %. IC [0,49-0,77]. La proportion de variabilité totale due à l'hétérogénéité entre les études était élevée dans notre analyse du critère de jugement principal avec un I2 = 91 %. Interprétation : nos résultats suggèrent que les patients SMI ont un meilleur pronostic vital après un sepsis ou un choc septique en comparaison aux patients non SMI. Nous relevons toutefois une forte hétérogénéité, probablement explicable par des facteurs qui n’ont pas été rapportés dans les études, comme les paramètres immunologiques et la prescription de médicaments psychotropes, pouvant influencer potentiellement le pronostique. Des études supplémentaires sont nécessaires pour confirmer ces résultats qui ouvrent une piste thérapeutique potentielle dans le traitement du sepsis et du choc septique.

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 imitation

Not 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.

metaresearch head score (Codex)0.037
metaresearch head score (Gemma)0.102
Version: metacan-v3-hybrid-931329e0061cValidation status: machine_predicted_unvalidated
Candidate categoriesnone
Consensus categoriesnone
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Meta-analysis · Consensus signal: Meta-analysis
GenreCandidate signal: Empirical · Consensus signal: none
Teacher disagreement score0.037
Threshold uncertainty score0.195

Distilled classifier scores by category (both heads)

CategoryCodexGemma
Metaresearch0.0370.102
Meta-epidemiology (narrow)0.0020.002
Meta-epidemiology (broad)0.0110.029
Bibliometrics0.0050.007
Science and technology studies0.0010.001
Scholarly communication0.0060.003
Open science0.0030.002
Research integrity0.0030.004
Insufficient payload (model declined to judge)0.0050.000

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.

Opus teacher head0.044
GPT teacher head0.334
Teacher spread0.290 · how far apart the two teachers sit on this one work
Validation statusscore_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it

Classification

machine, unvalidated

Machine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.

The models applied no category: nothing in the taxonomy fit this work.
Study designMeta-analysis
Domainnot available
GenreEmpirical

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".

Quick stats

Citations0
Published2023
Admission routes1
Has abstractyes

Explore more

Same venueHAL AMUSame topicData Analysis with RFrench-language works237,207