Die Risikofaktoren für schweres COVID-19 unterscheiden sich je nach Alter für hospitalisierte Erwachsene

  • WHO Coronavirus Disease (COVID-19) Dashboard unter https://covid19.who.int. Zugriff am 10. Dezember 2021.

  • Böhn, MK et al. Pathophysiologie von COVID-19: Mechanismen, die der Schwere und dem Fortschreiten der Krankheit zugrunde liegen. Physiologie 35288–301 (2020).

    CAS
    Artikel
    PubMed
    PubMed Central

    Google Scholar

  • Joost Wiersinga, W., Rhodes, A., Cheng, AC, Peacock, SJ & Prescott, HC Pathophysiologie, Übertragung, Diagnose und Behandlung der Coronavirus-Krankheit 2019 (COVID-19): Eine Überprüfung. JAMA 324782–793 (2020).

    Artikel
    PubMed

    Google Scholar

  • Zho, F. et al. Klinischer Verlauf und Risikofaktoren für die Mortalität von erwachsenen stationären Patienten mit COVID-19 in Wuhan, China: Eine retrospektive Kohortenstudie. Lanzette 3951054–1062 (2020).

    CAS
    Artikel
    PubMed
    PubMed Central

    Google Scholar

  • Kim, L. et al. Risikofaktoren für die Aufnahme auf der Intensivstation und die Krankenhaussterblichkeit bei erwachsenen Krankenhauspatienten, die durch das US-Coronavirus Disease 2019 (COVID-19) -assoziierte Krankenhausüberwachungsnetzwerk (COVID-NET) identifiziert wurden. Klin. Infizieren. Dis. 72e206 – e214 (2021).

    CAS
    Artikel
    PubMed

    Google Scholar

  • Gao, Y.-D. et al. Risikofaktoren für schwere und kritisch kranke COVID-19-Patienten: Eine Überprüfung. Allergie 76428–455 (2021).

    CAS
    Artikel
    PubMed

    Google Scholar

  • Farshbafnadi, M., Kamali Zonouzi, S., Sabahi, M., Dolatshahi, M. & Aarabi, MH Alterung & COVID-19-Anfälligkeit, Schweregrad der Erkrankung und klinische Ergebnisse: Die Rolle verschränkter Risikofaktoren. Erw. Gerontol. 154111507 (2021).

    CAS
    Artikel
    PubMed
    PubMed Central

    Google Scholar

  • Bae, S., Kim, SR, Kim, M.-N., Shim, WJ & Park, S.-M. Auswirkungen von Herz-Kreislauf-Erkrankungen und Risikofaktoren auf Todesfälle bei Patienten mit COVID-19 nach Alter: eine systematische Überprüfung und Metaanalyse. Herz 107373–380 (2021).

    CAS
    Artikel
    PubMed

    Google Scholar

  • Goodman, KE, Magder, LS, Baghdadi, JD, Pineles, L., Levine, AR, Perencevich, EN & Harris, AD Impact of Sex and Metabolic Comorbidities on Coronavirus Disease 2019 (COVID-19) Mortality Risk Across Age Groups: 66 646 stationäre Patienten in 613 US-Krankenhäusern. Klin. Infizieren. Dis. 73, e4113 – e4123 (2021).

  • Burki, TC Aufhebung der COVID-19-Beschränkungen in Großbritannien und der Delta-Variante. Lancet Respir Med 9, e85 (2021).

  • Marcos, M., Belhassen-García, M., Sánchez-Puente, A., Sampedro-Gomez, J., Azibeiro, R., Dorado-Díaz, P.-I., Marcano-Millán, E., García- Vidal, C., Moreiro-Barroso, M.-T., Cubino-Bóveda, N., Pérez-García, M.-L., Rodríguez-Alonso, B., Encinas-Sánchez, D., Peña-Balbuena, S., Sobejano-Fuertes, E., Inés, S., Carbonell, C., López-Parra, M., Andrade-Meira, F., López-Bernús, A., Lorenzo, C., Carpio, A. , Polo-San-Ricardo, D., Sánchez-Hernández, M.-V., Borrás, R., Sagredo-Meneses, V., Sanchez, P.-L., Soriano, A. & Martín-Oterino, J .-EIN. Entwicklung eines Score- und Klassifizierungsmodells für den Schweregrad der Erkrankung durch maschinelles Lernen für hospitalisierte COVID-19-Patienten. Plus eins 16, e0240200 (2021).

  • Lombardi, Y. et al. Externe Validierung prognostischer Scores für COVID-19: eine multizentrische Kohortenstudie von Patienten, die in den Universitätskliniken des Großraums Paris stationär behandelt wurden. Intensivmedizin Med. 47(12), 1426–1439 (2021).

    CAS
    Artikel
    PubMed

    Google Scholar

  • König, JT Jr. et al. Genauigkeit des COVID-19-Index (VACO) der Veterans Health Administration zur Vorhersage der kurzfristigen Sterblichkeit bei 1307 stationären Patienten in US-amerikanischen akademischen medizinischen Zentren und 427 224 US-Medicare-Patienten. J. Epidemiol. Kommun. Gesundheit 76(3), 254–260 (2021).

    Artikel

    Google Scholar

  • Rinderknecht, MD & Klopfenstein, Y. Vorhersage eines kritischen Zustands nach der COVID-19-Diagnose: Modellentwicklung unter Verwendung eines großen Datensatzes elektronischer Patientenakten in den USA. NPJ Ziffer Med 4113 (2021).

    Artikel
    PubMed
    PubMed Central

    Google Scholar

  • Yadaw, AS et al. Klinische Merkmale der COVID-19-Mortalität: Entwicklung und Validierung eines klinischen Vorhersagemodells. Lancet Digit Gesundheit 2e516 – e525 (2020).

    Artikel
    PubMed
    PubMed Central

    Google Scholar

  • Nicholson, CJ, Wooster, L., Sigurslid, HH, Li, RH, Jiang, W., Tian, ​​W., Lino Cardenas, CL & Malhotra, R. Abschätzung des Risikos der mechanischen Beatmung und der Sterblichkeit im Krankenhaus unter erwachsene COVID-19-Patienten, die in Mass General Brigham aufgenommen wurden: Die VICE- und DICE-Scores. EClinicalMedicine 33, 100765 (2021).

  • Knight, SR, Ho, A., Pius, R., Buchan, I., Carson, G., Drake, TM, Dunning, J., Fairfield, CJ, Gamble, C., Green, CA, Gupta, R. , Halpin, S., Hardwick, HE, Holden, KA, Horby, PW, Jackson, C., Mclean, KA, Merson, L., Nguyen-Van-Tam, JS, Norman, L., Noursadeghi, M., Olliaro, PL, Pritchard, MG, Russell, CD, Shaw, CA, Sheikh, A., Solomon, T., Sudlow, C., Swann, OV, Turtle, LCW, Openshaw, PJM, Kenneth Baillie, J., Semple , MG, Docherty, AB & Harrison, EM Risikostratifizierung von Patienten, die mit Covid-19 ins Krankenhaus eingeliefert wurden, unter Verwendung des ISARIC WHO Clinical Characterization Protocol: Entwicklung und Validierung des 4C Mortality Score. BMJ 370, (2020).

  • Chen, Z. et al. Ein Risiko-Score basierend auf Baseline-Risikofaktoren zur Vorhersage der Mortalität bei COVID-19-Patienten. akt. Med. Auflösung Meinung. 37917–927 (2021).

    CAS
    Artikel
    PubMed

    Google Scholar

  • Garcia-Gordillo, JA, Camiro-Zúñiga, A., Aguilar-Soto, M., Cuenca, D., Cadena-Fernández, A., Khouri, LS, Rayek, JN, Mercado, M. & ARMII Study Group. COVID-IRS: Ein neuartiger prädiktiver Score für das Risiko einer invasiven mechanischen Beatmung bei Patienten mit COVID-19. Plus eins 16, e0248357 (2021).

  • Gong, J. et al. Ein Werkzeug zur frühen Vorhersage einer schweren Coronavirus-Krankheit 2019 (COVID-19): Eine multizentrische Studie unter Verwendung des Risiko-Nomogramms in Wuhan und Guangdong China. Klin. Infizieren. Dis. 71833–840 (2020).

    CAS
    Artikel
    PubMed

    Google Scholar

  • Ahmad, MA, Eckert, C. & Teredesai, A. Interpretierbares maschinelles Lernen im Gesundheitswesen. in Proceedings of the 2018 ACM International Conference on Bioinformatics, Computational Biology, and Health Informatics 559–560 (Association for Computing Machinery, 2018).

  • Coronavirus, N. WHO F&E Blueprint. https://www.who.int/blueprint/priority-diseases/key-action/COVID-19_Treatment_Trial_Design_Master_Protocol_synopsis_Final_18022020.pdf. Abgerufen am 10. Januar 2021.

  • Charlson, ME, Pompei, P., Ales, KL & MacKenzie, CR Eine neue Methode zur Klassifizierung prognostischer Komorbidität in Längsschnittstudien: Entwicklung und Validierung. J. Chronic Dis. 40373–383 (1987).

    CAS
    Artikel
    PubMed

    Google Scholar

  • Lee, JY, Molani, S., Fang, C., Jade, K., Kornilov, SA, Mico, LT, O’mahony, S. & Hadlock, JJ Ambulante Risikomodelle zur langfristigen Sepsisprävention: Retrospektive Studie. JMIR Med Inform 9, e29986 (2021).

  • Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V. & Andere. Scikit-learn: Maschinelles Lernen in Python. J. Mach. Lernen. Auflösung 12, 2825–2830 (2011).

  • Hanley, JA & McNeil, BJ Die Bedeutung und Verwendung der Fläche unter einer Receiver Operating Characteristic (ROC)-Kurve. Radiologie 14329–36 (1982).

    CAS
    Artikel
    PubMed

    Google Scholar

  • Boyd, K., Eng, KH & Page, CD Fläche unter der Präzisions-Erinnerungskurve: Punktschätzungen und Konfidenzintervalle. in Maschinelles Lernen und Wissensentdeckung in Datenbanken 451–466 (Springer Berlin Heidelberg, 2013).

  • Rodríguez-Pérez, R. & Bajorath, J. Interpretation von zusammengesetzten Aktivitätsvorhersagen aus komplexen maschinellen Lernmodellen unter Verwendung lokaler Annäherungen und Shapley-Werte. J.Med. Chem. 638761–8777 (2020).

    Artikel
    PubMed

    Google Scholar

  • Collins, GS, Reitsma, JB, Altman, DG & Moons, KGM Transparente Berichterstattung über ein multivariables Vorhersagemodell für die individuelle Prognose oder Diagnose (TRIPOD): Das TRIPOD-Statement. Ann. Intern. Med. 16255–63 (2015).

    Artikel
    PubMed

    Google Scholar

  • Friedman, JH Stochastic Gradient Boosting. Berechnung. Stat. Daten Anal. 38367–378 (2002).

    MathSciNet
    Artikel

    Google Scholar

  • Bhasin, A. et al. Ist der BMI bei jüngeren Patienten mit COVID-19 höher? Zusammenhang zwischen BMI und COVID-19-Krankenhausaufenthalt nach Alter. Fettleibigkeit 281811–1814 (2020).

    CAS
    Artikel
    PubMed

    Google Scholar

  • di Filippo, L., Doga, M., Frara, S. & Giustina, A. Hypokalzämie bei COVID-19: Prävalenz, klinische Bedeutung und therapeutische Implikationen. Rev. Endokrin. Metab. Unordnung (2021).

  • Zingmond, DS et al. Verbesserung der Krankenhausberichterstattung über Rasse und ethnische Zugehörigkeit von Patienten – Ansätze zur Datenprüfung. Gesundheitsdienst Auflösung 50(Beilage 1), 1372–1389 (2015).

    Artikel
    PubMed
    PubMed Central

    Google Scholar

  • Leave a Reply

    Your email address will not be published.