Clinical and laboratory predictors of poor outcome COVID-19 in routine practice



Cite item

Full Text

Open Access Open Access
Restricted Access Access granted
Restricted Access Subscription or Fee Access

Abstract

Background: many researchers report numerous predictors of severe COVID-19 and poor prognosis. However, to make a quick decision, the doctor needs to have a certain set of data that he can use in routine practice to predict the outcome in patients with this disease.

Aims: develop and describe a predictive model for determining an unfavorable outcome in COVID-19 patients based on age, objective, laboratory and instrumental data and comorbid pathology.

Materials and methods: the study included 447 patients with a laboratory-confirmed diagnosis of COVID-19 who underwent inpatient treatment in the period from March to August 2021. Discriminant analysis was used with cross-validation to build a predictive model.

Results: Based on discriminant analysis, a predictive model was developed to predict outcome in patients with COVID-19. Evaluation of clinical findings such as respiratory rate, heart rate, SpO2, laboratory data and computed tomography results on admission to the hospital showed their significance as predictors of poor outcome. The discrimination constant was 0.4435. The sensitivity of the model is 96.4%, the specificity is 90.4%.

Conclusion: the developed model will help medical institutions predict the outcome of the disease when a patient is admitted to the hospital and, on this basis, optimize and prioritize the provision of necessary medical care.

Full Text

Обоснование

Распространение COVID-19 создало чрезмерную нагрузку на систему здравоохранения во всем мире, в том числе и в России.

Большинство исследований по COVID-19, в которых оценивались риски развития тяжелого течения заболевания и неблагоприятного исхода, проводились в таких странах как Китай(1) (2), Италия(3) , Испания (4), Бразилия (5), и значимость отдельных факторов риска для исходов COVID-19 в разных регионах мира различалась (6). В Российской Федерации вопросы влияния сопутствующей патологии, анамнестических, клинических и лабораторных данных все еще продолжают анализироваться (7) (8).

Несмотря на знания об особенностях патогенеза и клиники COVID-19, роль отклонений лабораторных параметров в прогнозе заболевания COVID-19 все еще до конца неясна. Тем не менее, мета-анализ 78 статей показал, что повышенный уровень лейкоцитов, снижение количества лимфоцитов, повышенный уровень лактатдегидрогеназы, креатинкиназы, C-реактивного белка, D-димера, являются предикторами неблагоприятного исхода (9)

Компьютерная томограмма (КТ) грудной клетки стала дополнительным клиническим инструментом, который играет ключевую роль как в диагностике, так и в выборе лечения заболевания. Результаты КТ при COVID-19 были описаны как двусторонние поражения легочной ткани в виде матового стекла с преобладанием периферической локализации (10). Помимо симптомов болезни, количественная оценка объема поражения легких на КТ может дать информацию о клинической тяжести заболевания и прогнозе (11).

Прогностическая оценка клинических и лабораторных параметров у пациентов с COVID-19 при госпитализации в стационар поможет более точно оценивать степень тяжести заболевания и оптимизировать ведение больных  в рутиной практике.

 

Цель исследования: разработать и описать прогностическую модель для определения неблагоприятного исхода у пациентов COVID- 19 основываясь на возрасте, объективных, лабораторно-инструментальных данных и коморбидной патологии.

Методы

Дизайн исследования

Проведено ретроспективное когортное исследование 447 пациентов с COVID-19.

Критерии соответствия

Критерии включения: Пациенты с COVID-19 госпитализированные в стационар, имеющие сопутствующую патологию, данные о дате начала заболевания, с лабораторно подтвержденным методом ПЦР диагнозом , лабораторные исследования как при поступлении, так и при выписке, такие как: эритроциты, гемоглобин, лейкоциты, нейтрофилы, лимфоциты, АСТ,АЛТ, креатинин, мочевина, С-реактивный белок, ферритин, Д-димер, фибриноген, КТ исследование, основанное на визуальной шкале оценки объема поражения (КТ0 = нет поражения, КТ1 = <25%, КТ2 = 25–50%, КТ3 = 50–75%,КТ 4 => 75% вовлеченности). 

Сравнительный анализ был проведен между пациентами с благоприятным исходом (n=282) и умершими (n=165).

Критерии исключения: отрицательный результат исследования на РНК SARS-CoV-2, отсутствие  какого-либо параметра из вышеперечисленных лабораторных данных и результатов  КТ.

Условия проведения

Исследование было проведено на базе ГБУЗ МО «Домодедовская центральная городская больница» инфекционное отделение, МБУЗ «ГБ № 1 им Н.А.Семашко города Ростова-на-Дону, ФБУН «Центральный научно-исследовательский институт эпидемиологии» Роспотребнадзора.

Продолжительность исследования

Были отобраны карты больных, находившихся на стационарном лечении с марта 2020 года по январь 2021 года.

Описание медицинского вмешательства

У все пациентов выполнены лабораторные и инструментальные исследования: развернутый анализ крови, биохимический анализ, лабораторное исследование на РНК SARS-CoV-2, выполнена КТ органов грудной клетки. Исследования были выполнены во время поступления в стационар и в динамике через 7-10 дней.

Исследование одобрено этическим комитетом ФБУН «Центральный научно-исследовательский институт эпидемиологии» Роспотребнадзора, протокол №117 от 28 сентября 2021 года.

Статистический анализ

Принципы расчета размера выборки: Расчет выборки не проводился.

Методы статистического анализа данных: Статистический анализ проводился с использованием программы StatTech v. 2.3.0 (разработчик - ООО "Статтех", Россия), пакета программы IBM SPSS Statistics 26 (США).

Количественные показатели оценивались на предмет соответствия нормальному распределению с критерия Колмогорова-Смирнова и описывались с помощью медианы (Me), нижнего и верхнего квартилей (Q1 – Q3). Сравнение двух групп по количественному показателю выполнялось с помощью U-критерия Манна-Уитни. Сравнение процентных долей при анализе многопольных таблиц сопряженности выполнялось с помощью критерия хи-квадрат Пирсона.

На основании факторов, представленных в числовом формате для определения риска неблагоприятного исхода COVID-19, использовался дискриминантный анализ путем пошагового исключения факторов. Для оценки прогностической модели рассчитывались показатели ее чувствительности и специфичности. Выполнена перекрестная проверка.

Результаты

Объекты (участники) исследования

447 пациента с COVID-19 имеющих сопутствующие заболевания были включены в исследование. При анализе возраста в группе с благоприятным исходом медиана составила 59 лет (Q1-Q3:50 – 68), а в группе неблагоприятного прогноза 63 (Q1-Q3: 59 – 73) (рис. 1). Мужчины преобладали, и их доля и составила 56,4. В отделении реанимации находились 40,3% пациентов.

Наиболее частыми симптомами были повышение температуры тела в 100%, слабость 95,3%, кашель 99,3%, утомляемость 63,1%, заложенность носа 60,4%, одышка 55,7%, потеря обоняния 51%, боль в грудной клетке 36,9%, потеря вкуса 33,6%.

Описательные статистические данные исследуемой группы приведены в таблице 1.

Пенсионеры и неработающие имели более высокий риск летального исхода, на прогноз заболевания, также существенно влияла тяжесть заболевания при поступлении в стационар. Пациентов с неблагоприятным прогнозом чаще доставлялись в стационар по линии скорой помощи (СП), что напрямую было связано с тяжестью их состояния (Таб.1).

Медиана ЧДД при поступлении у пациентов с благоприятным исходом составила 18 дыхательных движений в минуту (Q1-Q3:18-20), а при неблагоприятном исходе 22 (Q1-Q3:20-25) (p < 0,001), ЧСС при поступлении у пациентов с благоприятным исходом составило 76 (Q1-Q3:70-84) ударов в минуту (p < 0,001), SpO2 при поступлении в группе с благоприятным исходом составило 96% (Q1-Q3:96-98), а в группе с неблагоприятным прогнозом -94% (Q1-Q3:90-95) (p < 0,001).

Медиана дня начала болезни до момента госпитализации у пациентов с благоприятным исходом составила 5 дней (Q1-Q3:4-6), в группе с неблагоприятным исходом 5 дней (Q1-Q3:4-7).

Как видно из таблицы 2 более обширное поражение легких на КТ при поступлении (КТ-3 - 4) также повышало риски в последующем летального исхода. обследования у пациентов при поступлении также напрямую зависели от исхода.

Основные результаты исследования

Среди пациентов с благоприятным исходом и умершими были значительные различия в лабораторных исследованиях при поступлении, включая гемоглобин (p=0,004), количество эритроцитов ( р< 0,001), общее количество лейкоцитов (p=0,007), тромбоцитов (р=0,004), количество нейтрофилов (p<0,001), количество лимфоцитов (p<0,001), мочевину (p<0,001), креатинин (p=0,001), АЛТ (p=0,002), АСТ (p< 0,001), С-реактивный белок (p< 0,001), ферритин (p< 0,001),фибриноген (p<0,001). По параметам D-димера различий не было (p=0,232), это может объясняться тем, что его критическое повышение отмечалось только на более поздней стадии заболевания.

При выписке лабораторные значения умерших пациентов показали значительный лейкоцитоз (p<0,001), нейтрофилез (p<0,001), лимфопению (p<0,001), повышенную мочевину и креатинин (p<0,001), повышенный уровень C-реактивного белка (p=0,001), ферритина (p<0,001), увеличение D-димера (p<0,001) и фибриногена (p =0,002) (таблица 3).

Шансы неблагоприятного исхода  были выше  у пациентов с артериальной гипертензией  (АГ) в 3,739 раза (95% ДИ: 2,415 – 5,789), с хроническим бронхитом в 11,500 раза (95% ДИ: 4,703 – 28,123),  сахарным диабетом в 2,431 раза(95% ДИ: 1,618 – 3,651), сгипотиреозом в 3,033 раза (95% ДИ: 0,156 – 0,696),  заболеваниями мочеполовой системы в 11,867 раза (95% ДИ: 6,472 – 21,757), онкологическими заболеваниями в 5,000 раз (95% ДИ: 2,481 – 10,075), заболеваниями нервной системы в 3,671 раза (95% ДИ: 2,255 – 5,976),  ожирением в 8,381 раза (95% ДИ: 4,724 – 14,867) по сравнению с группой пациентов с благоприятным исходом. Различия шансов были статистически значимыми.

У пациентов с ИБС различия шансов благоприятного и неблагоприятного исхода не были статистически значимыми (ОШ = 0,870; 95% ДИ: 0,592 – 1,278).

 

Методом дискриминатного анализа для определения риска летального исхода в зависимости от анамнестических данных и лабораторно-инструментальных исследований нами была разработана прогностическая модель. Отбор предикторов для прогностической модели осуществлялся пошаговым методом. В результате было получено следующее уравнение (1):

Yсмерть = 0,023*Xвозраст – 0,351*XЧДД +0,066*XЧсс - 0,198*XSpO2% - 0,469*Xэритр + 0,163*Xлейк -0,003*Xтромб +0,028*Xлимф + 0,002*Xферритин + 0,005*XСр + 0,513*XД-димер – 0,223 Xфибрин + 1,124*XКТ– 0,155*Xдень болезни + 17,857        (1)

где Yсмерть – дискриминантная функция, характеризующая вероятность фатального исхода, Xвозраст – возраст (полных лет), XSpO2% –показатели сатурации при поступление (%), Xэритр – количество эритроцитов, XденьГосп – сокращение срока развития симптомов заболевания до достижения показаний к госпитализации, XЧДД -частота дыхательных движений при поступлении, XЧсс – ЧСС при поступлении, Xлейк -количество лейкоцитов, Xтромб – количество тромбоцитов,Xлимф- количество лимфоцитов, Xферритин – ферритин, XСр -С реактивный белок, XД-димер – Д димер, Xфибрин -фибриноген, XКТ- компьютерная томография (0-КТ0, 1-КТ1, 2-КТ2, 3-КТ3, 4-КТ4).

Полученная модель была статистически значимой (p<0,001).

Исходя из значений коэффициентов предикторов, включенных в модель, выходит, что увеличение возраста, повышение ЧСС, уровня лейкоцитов, лимфоцитов, ферритина, С-реактивного белка, Д-димера, ухудшение показателей КТ, а также снижение показателей SpO2% ниже 94, отклонение ЧДД от нормы, снижение количества эритроцитов, тромбоцитов, уровня фибриногена и сокращение срока развития симптомов заболевания до достижения показаний к госпитализации являются факторами риска развития летального исхода.

Константа дискриминации для модели (1) составила 0, Следовательно, при значениях дискриминантной функции Yсмерть выше 0,4435 делался вывод о высоком риске летального исхода, а при значении функции менее 0,887 низком риске.

Чувствительность полученной модели составляла 96,4% (159 верных прогнозов из 165 пациентов с неблагоприятным исходом), а специфичность –90,4 (255 верных прогнозов из 282 у пациентов с благоприятным исходом).

После перекрестной проверки прогностической значимости модели чувствительность снизилась до 94,5% (156 верных прогнозов из 165 пациентов с неблагоприятным исходом), а специфичность –90,4 (255 верных прогнозов из 282 у пациентов с благоприятным исходом). Незначительное снижение показателей прогностической значимости свидетельствует об устойчивости модели и позволяет рекомендовать ее для дальнейшего использования.

 

Обсуждение

Резюме основного результата исследования

Минимальный набор доступных в рутинной практике лабораторных и инструментальных исследований в сочетании с объективными данными может быть простым, экономичным, быстрым и общедоступным методом, который позволит оперативно проводить сортировку пациентов с COVID-19 в зависимости от степени тяжести и риска летального исхода и, исходя из этого, своевременно оптимизировать терапию. 

Обсуждение основного результата исследования

Объективные данные, рутинные лабораторные данные, доступные при поступление пациента в стационар, в сочетании с данными КТ являются предикторами неблагоприятного исхода. Использую дискриминантный анализ была получена статистически значимая (p<0,001) модель. Чувствительность которой составила 96,4%, а специфичность –90,4%.

Многие исследователи для построения модели использовали логистическую регрессию и различный набор клинических и лабораторных данных. Так, например, Burian E.  и др., 2021, установили что, потребность в лечении в отделении интенсивной терапии независимо связана с пораженным объемом легких, уровнем С-реактивного белка и интерлейкина 6.  (12) Среди предикторов неблагоприятного прогноза авторы отмечают пожилой возраст и снижение уровня лимфоцитов. Это подтверждается результатами исследователей из Китая, которые показали, что соотношение количества нейтрофилов и лимфоцитов было наиболее важным прогностическим фактором ухудшения течения заболевания, следующим по значимости фактором был пожилой возраст пациентов(14).

Снижение количества тромбоцитов является предиктором неблагоприятного исхода у пациентов с COVID-19. Аналогичные данные были получены в мета-анализе Lippi G и др. было доказано, что низкое количество тромбоцитов связано с повышенным риском тяжелого заболевания и смертности у пациентов с COVID-19 и, таким образом, может служить клиническим индикатором ухудшения состояния во время госпитализации (14). У пациентов с COVID-19 механизм тромбоцитопении, вероятно, многофакторный. При SARS было высказано предположение, что сочетание вирусной инфекции и искусственной вентиляции легких приводит к повреждению эндотелия, вызывая активацию и агрегацию тромбоцитов, способствуя повышенному тромбообразованию в легких с участием преимущественно тромбоцитарного звена гемостаза и вызывая в дальнейшем чрезмерное потребление тромбоцитов (15).

Исследователями из Израиля была также построена модель прогнозирования неблагоприятного исхода COVID-19. Чувствительность этой модели составила 88,0%, специфичность 92,7% и точность 92,0% при прогнозировании неблагоприятного исхода у пациентов с COVID-19. Самыми важными переменными которые вошли в эту модель были количество лейкоцитов, время от появления симптомов до госпитализации, сатурация кислорода и количество лимфоцитов в крови (16). Это подтверждается и нашими результатами исследования.

Преимуществом представленной нами модели является то, что среди целого ряда клинических, лабораторных и инструментальных данных методом пошагового исключения, с помощью дискриминантного анализа была отобрана совокупность значимых предикторов летального исхода COVID-19, доступная для использования в рутинной практике.

Ограничения исследования

У исследования были некоторые ограничения. Это ретроспективное исследование, выполненное на выборке пациентов среднего объема.

Однако целью исследования являлось раннее выявлении критических случаев, ориентированное на своевременного принятие решений.   Ожидается, что модель прогнозирования риска развития летального исхода COVID-19 позволит оптимизировать оказание помощи пациентам с этой патологией.

Для подтверждения наших выводов необходимы дальнейшие исследования.

Заключение

Использование прогностической модели в рутинной практике при помощи имеющихся клинических, лабораторных данных и компьютерной томографии может повлиять на скорость принятия решения в выборе того или иного места лечения и прогноза заболевания, что является актуальным для практического здравоохранения.

 

Источник финансирования

Исследование и публикации статьи осуществлены на личные средства авторского коллектива.

 

Участие авторов

И. А. Лизинфельд и Н.Ю. Пшеничная являются совместными первыми авторами.  Н.Ю. Пшеничная внесла свой вклад в дизайн исследования, реализацию, обсуждение рукописи и критическую редакцию.  И. А. Лизинфельд создание базы данных, провела статистический анализ и интерпретировала его, написание раздела результаты и обсуждение. О.В. Буняева, И.М. Шилкина , Г. В. Гопаца, О. А. Шмайленко, Д.М. Сизякин4, Е.В. Чигаева сбор материала, анализ литераторы. Г. В. Гопаца, О. А. Шмайленко работа с переводом текста на английский язык. Д.М. Сизякин4, Е.В. Чигаева написание раздела введение. Все авторы прочитали и одобрили окончательную рукопись.

Конфликт интересов

 Авторы данной статьи подтвердили отсутствие конфликта интересов, о котором необходимо сообщить.

 

Таблицы

Таблица 1. Характеристика пациентов, включенных в исследование.

Table 1. Characteristics of patients included in the study.

 

 

Благоприятный прогноз

N=282

Неблагоприятный прогноз

N=165

p

Кем доставлен

n(%)

n(%)

 

СМП

147 (52,1)

114 (69,1)

0,002*

самостоятельно

52 (18,4)

18 (10,9)

направление

83 (29,4)

33 (20,0)

Социальный статус

 

 

 

учащийся

48 (17,0)

0 (0,0)

< 0,001*

работающий

132 (46,8)

42 (25,5)

пенсионер

102 (36,2)

72 (43,6)

безработный

0 (0,0)

51 (30,9)

Тяжесть при поступлении

 

 

 

средняя

261 (92,6)

54 (32,7)

< 0,001*

тяжелое

21 (7,4)

111 (67,3)

 
Таблица 2. Характеристика данных КТ обследования у больных, включенных исследование.

Table 2. Characteristics of computed tomogram examination data in patients included in the study.

 

Данные КТ

 

При поступлении

p

При наступлении исхода

p

Выздоровление

N=282

Неблагоприятный прогноз

N=165

Выздоровление

N=282

Неблагоприятный прогноз

N=165

n(%)

n(%)

n(%)

n(%)

КТ 1

96 (34,0)

6 (3,6)

< 0,001*

117(41,5)

0(0,0)

< 0,001*

КТ 2

135 (47,9)

3 (1,8)

165(58)

3(1,8)

КТ 3

51 (18,1)

120 (72,7)

0(0,0)

51 (30,9)

КТ 4

0 (0,0)

36 (21,8)

0(0,0)

111(67,3)

 

 

 

 

 

 

 

 

 

 

 

Таблица 3. Сравнение лабораторных исследований среди пациентов с COVID-19 с различным исходом заболевания.

Table 3. Comparison of laboratory tests among COVID-19 patients with different disease outcomes.

 

Лабораторные показатели

При поступлении

При наступлении исхода

Выздоровление

N=282

Неблагоприятный прогноз

N=165

p

Благоприятный прогноз

N=282

Неблагоприятный прогноз

N=165

p

Me

Q₁ – Q₃

Me

Q₁ – Q₃

Me

Q₁ – Q₃

Me

Q₁ – Q₃

гемоглобин г/л

137,5

131,0 – 152,0

134,0

112,0 – 143,0

0,004*

135,00

121,00 – 141,00

105,00

98,00 – 112,00

< 0,001*

эритроциты

×1012/л

4,60

4,33 – 4,80

4,00

3,44 – 4,40

< 0,001*

4,48

4,20 – 4,50

3,50

3,15 – 4,14

< 0,001*

лейкоциты ×109/л

5,20

4,70 – 7,40

4,70

3,50 – 9,40

0,007*

6,50

5,60 – 10,50

12,70

8,90 – 15,50

< 0,001*

Тромбоциты ×109/л

193,00

156,00 – 250,00

168,00

145,00 – 219,00

0,004*

248,00

172,00 – 321,00

198,00

114,00 – 234,00

< 0,001*

нейтрофилы

62,70

58,70 – 79,50

76,00

70,10 – 92,00

< 0,001*

73,80

60,60 – 80,70

78,00

67,00 – 83,00

< 0,001*

лимфоциты

33,50

16,10 – 39,20

23,00

15,70 – 32,00

< 0,001*

23,00

16,40 – 36,20

19,10

9,50 – 30,50

< 0,001*

мочевина

6,50

5,40 – 7,20

8,30

5,60 – 20,00

< 0,001*

5,60

3,90 – 7,10

23,00

8,30 – 36,10

< 0,001*

креатинин мкмоль/л

94,00

80,00 – 105,00

105,00

87,50 – 180,50

< 0,001

93,00

74,00 – 109,00

129,00

93,00 – 198,00

< 0,001*

АЛТ Ед/л

26

19 – 36

29

18 – 61

0,002*

35,60

29,00 – 73,80

45,00

34,20 – 51,60

0,211

АСТ Ед/л

20

19 – 36

35

32 – 50

< 0,001*

24,90

19,00 – 51,20

34,00

21,70 – 65,00

0,001*

ферритин нг/мл

229

183 – 342

456

234 – 657

< 0,001*

213,00

112,00 – 455,00

1148,00

987,00 – 1342,00

< 0,001*

С-реактивный белок мг/л

30,70

8,60 – 61,10

92,40

25,00 – 294,17

< 0,001*

16,70

7,40 – 40,00

213,00

175,60 – 267,61

< 0,001*

Д- димер мкг/мл

0,39

0,22 – 0,93

0,54

0,22 – 0,76

0,232

0,59

0,23 – 0,71

1,30

1,00 – 2,40

< 0,001*

Фибриноген г/л

5,20

3,50 – 5,80

5,70

4,90 – 7,70

< 0,001*

3,40

2,20 – 5,00

4,44

2,70 – 5,80

0,002*

* – различия показателей статистически значимы (p < 0,05) Все p-значения, рассчитанные с помощью U-критерия Манна-Уитни (*значительные значения <0,05).

 
 

 

×

About the authors

Irina A. Lizinfeld

Central Research Institute for Epidemiology of Rospotrebnadzor

Author for correspondence.
Email: irinalizinfeld@gmail.com
ORCID iD: 0000-0002-8114-1002
SPIN-code: 2046-1407
Russian Federation, 111123, Russia, Moscow, Novogireeva 3 a

Natalia Y. Pshenichnaya

Central Research Institute for Epidemiology of Rospotrebnadzor

Email: natalia-pshenichnaya@yandex.ru
ORCID iD: 0000-0003-2570-711X
SPIN-code: 5633-7265

MD, Dr. Sci. (Med.), Professor

Russian Federation, 111123, Russia, Moscow, Novogireeva 3 a

Olga V. Bunyaeva

Domodedovo Central City Hospital

Email: olya-bunyaeva@mail.ru
ORCID iD: 0000-0002-4889-5566
SPIN-code: 3452-1760
st. Pirogova, 9, 142005, Russia, Moscow region, Domodedovo, md. Central

Irina M. Shilkina

Domodedovo Central City Hospital

Email: shim-48@mail.ru
ORCID iD: 0000-0002-9900-038X
Russian Federation, st. Pirogova, 9, 142005, Russia, Moscow region, Domodedovo, md. Central

Olga A. Shmailenko

City Hospital №1 N.A. Semashko

Email: Shmailenko@mail.ru
ORCID iD: 0000-0002-4680-590X
340000, Russia, Rostov-on-Don, Voroshilovsky Ave., 105

Galina V. Gopatsa

City Hospital №1 N.A. Semashko

Email: GopatsaG@mail.ru
ORCID iD: 0000-0001-8703-7671
Russian Federation, 340000, Russia, Rostov-on-Don, Voroshilovsky Ave., 105

Dmitrii V. Siziakin

Email: Siziakin@gmail.com

Evgeniia V. Chigaeva

Email: ChigaevaEV@gmail.com

References

  1. Ramanathan K, Antognini D, Combes A, Paden M, Zakhary B, Ogino M, et al. Clinical features of patients infected with 2019 novel coronavirus in Wuhan, China. The Lancet. 2020;395(January):497–506.
  2. Wu Z, McGoogan JM. Characteristics of and Important Lessons from the Coronavirus Disease 2019 (COVID-19) Outbreak in China: Summary of a Report of 72314 Cases from the Chinese Center for Disease Control and Prevention. JAMA - Journal of the American Medical Association. 2020;323(13):1239–42.
  3. Grasselli G, Zangrillo A, Zanella A, Antonelli M, Cabrini L, Castelli A, et al. Baseline Characteristics and Outcomes of 1591 Patients Infected with SARS-CoV-2 Admitted to ICUs of the Lombardy Region, Italy. JAMA - Journal of the American Medical Association. 2020;323(16):1574–81.
  4. Sisó-Almirall A, Kostov B, Mas-Heredia M, Vilanova-Rotllan S, Sequeira-Aymar E, Sans-Corrales M, et al. Prognostic factors in Spanish COVID-19 patients: A case series from Barcelona. PLoS ONE. 2020;15(8 August 2020):1–14.
  5. de Souza FSH, Hojo-Souza NS, de Oliveira Batista BD, da Silva CM, Guidoni DL. On the analysis of mortality risk factors for hospitalized COVID-19 patients: A data-driven study using the major Brazilian database. PLoS ONE. 2021;16(3 March).
  6. Lai C, Wang C, Wang Y, Hsueh S, Ko W. Since January 2020 Elsevier has created a COVID-19 resource centre with free information in English and Mandarin on the novel coronavirus COVID- 19 . The COVID-19 resource centre is hosted on Elsevier Connect , the company ’ s public news and information . 2020;(January).
  7. Glybochko P v., Fomin V v., Moiseev S v., Avdeev SN, Yavorovskiy AG, Brovko MY, et al. Risk factors for the early development of septic shock in patients with severe COVID-19. Terapevticheskii Arkhiv. 2020;92(11):17–23.
  8. Klypa T v., Bychinin M v., Mandel IA, Andreichenko SA, Minets AI, Kolyshkina NA, et al. Clinical characteristics of patients admitted to an ICU with COVID-19. Predictors of the severe disease. Journal of Clinical Practice. 2020;11(2):6–20.
  9. Kiss S, Gede N, Hegyi P, Németh D, Föl
  10. di M, Dembrovszky F, et al. Early changes in laboratory parameters are predictors of mortality and ICU admission in patients with COVID-19: a systematic review and meta-analysis. Medical Microbiology and Immunology [Internet]. 2021;210(1):33–47. Available from: https://doi.org/10.1007/s00430-020-00696-w
  11. Chung M, Bernheim A, Mei X, Zhang N, Huang M, Zeng X, et al. CT imaging features of 2019 novel coronavirus (2019-NCoV). Radiology. 2020;295(1):202–7.
  12. Durhan G, Düzgün SA, Demirkazık FB, Irmak İ, İdilman İ, Akpınar MG, et al. Visual and software-based quantitative chest ct assessment of COVID-19: Correlation with clinical findings. Diagnostic and Interventional Radiology. 2020;26(6):557–64.
  13. Burian E, Jungmann F, Kaissis G, Lohöfer F, Spinner CD, Lahmer T, et al. Intensive Care Risk Estimation in COVID-19 Pneumonia Based on Clinical and Imaging Parameters: Experiences from the Munich Cohort. SSRN Electronic Journal. 2020;2:1–9.
  14. Liu J, Liu Y, Xiang P, Pu L, Xiong H, Li C, et al. Neutrophil-to-lymphocyte ratio predicts critical illness patients with 2019 coronavirus disease in the early stage. Journal of Translational Medicine [Internet]. 2020 May 20 [cited 2021 Oct 19];18(1):206. Available from: /pmc/articles/PMC7237880/
  15. Lippi G, Plebani M, Henry BM. Thrombocytopenia is associated with severe coronavirus disease 2019 (COVID-19) infections: A meta-analysis. Clinica Chimica Acta [Internet]. 2020;506(March):145–8. Available from: https://doi.org/10.1016/j.cca.2020.03.022
  16. Yang M, Ng MHL, Chi KL. Thrombocytopenia in patients with severe acute respiratory syndrome (review). Hematology. 2005;10(2):101–5.
  17. Assaf D, Gutman Y, Neuman Y, Segal G, Amit S, Gefen-Halevi S, et al. Utilization of machine-learning models to accurately predict the risk for critical COVID-19. Internal and Emergency Medicine [Internet]. 2020;15(8):1435–43. Available from: https://doi.org/10.1007/s11739-020-02475-0

Supplementary files

There are no supplementary files to display.


Copyright (c) Eco-vector



This website uses cookies

You consent to our cookies if you continue to use our website.

About Cookies