உள் மருத்துவம்: திறந்த அணுகல்

உள் மருத்துவம்: திறந்த அணுகல்
திறந்த அணுகல்

ஐ.எஸ்.எஸ்.என்: 2165-8048

சுருக்கம்

Cox Frailty மாதிரியைப் பயன்படுத்தி கோவிட்-19 நோயாளிகளின் சர்வைவல் பகுப்பாய்வு

எலெனா பாட்டினோ*

பின்னணி: கொரோனா வைரஸ் நோய் 2019 (COVID-19) ஒரு தொற்றுநோய் மற்றும் உலகளவில் இறப்புகளை பாதித்துள்ளது. காக்ஸ் விகிதாசார ஆபத்து (சிபிஎச்) மாதிரியானது நிகழ்வு தரவு பகுப்பாய்வு நேரத்தில் மிகவும் பிரபலமாகி வருகிறது. கவனிக்கப்படாத/அளக்கப்படாத தனிநபரின் காரணிகள் இருக்கும்போது, ​​CPH இன் முடிவுகள் நம்பகமானதாக இருக்காது. எனவே, இந்த ஆய்வு மருத்துவமனையில் அனுமதிக்கப்பட்ட COVID-19 நோயாளிகளின் பலவீனத்திற்கும் உயிர்வாழும் நேரத்திற்கும் இடையிலான தொடர்பைக் கண்டறிவதை நோக்கமாகக் கொண்டுள்ளது.

முறைகள்: இது ஈரானில் உள்ள மருத்துவமனை ஒன்றில் நடத்தப்பட்ட ஒற்றை மைய கண்காணிப்பு ஆய்வு ஆகும். எனவே, உறுதிப்படுத்தப்பட்ட COVID-19 உடன் மருத்துவமனையில் அனுமதிக்கப்பட்ட நோயாளிகள் சேர்க்கப்பட்டனர். தொற்றுநோயியல், மருத்துவ, ஆய்வக மற்றும் சேர்க்கைக்கான விளைவு தரவு மின்னணு மருத்துவ பதிவுகளிலிருந்து பிரித்தெடுக்கப்பட்டது. உயிர்வாழ்வதற்கான மிக முக்கியமான முன்கணிப்பு ஆபத்து காரணிகளைத் தேர்ந்தெடுத்த பிறகு, ஆபத்து காரணிகளின் சரிசெய்யப்படாத மற்றும் சரிசெய்யப்பட்ட விளைவுகளை அடையாளம் காண CPH மற்றும் காமா-பலவீனமான காக்ஸ் மாதிரிகள் பயன்படுத்தப்பட்டன.

முடிவுகள்: கோவிட்-19 நோயால் பாதிக்கப்பட்ட 360 நோயாளிகள் ஆய்வில் பதிவு செய்யப்பட்டுள்ளனர். சராசரி வயது 74 வயது ஆண்கள் மற்றும் 42·3% பெண்கள், இறப்பு விகிதம் 17% CPH மாதிரியின் முடிவுகள், உயர் இரத்த அழுத்தம், பாலினம், வயது மற்றும் புகைபிடிக்கும் நிலை ஆகியவை கோவிட் காரணமாக இறப்பு அபாயத்தை அதிகரிக்கின்றன என்பதைக் காட்டுகிறது. 19 (பி<0.05). மேலும், பலவீனமான மாதிரி மாடலில் குறைந்தபட்சம் ஒரு மறைந்த காரணி இருப்பதைக் காட்டியது (P=0.005). வயது மற்றும் பிளேட்லெட் எண்ணிக்கை ஆகியவை தங்கியிருக்கும் நீளத்துடன் எதிர்மறையாக தொடர்புடையது, அதே சமயம் சிவப்பு இரத்த அணுக்களின் எண்ணிக்கை நோயாளிகள் தங்கியிருக்கும் காலத்துடன் சாதகமாக தொடர்புடையது.

முடிவுகள்: பலவீனம் மற்றும் CPH மாதிரி இரண்டும், வயதைத் தவிர, பலவீனமான காரணியானது COVID-19 நோயாளிகளின் உயிர்வாழ்வதற்கான பயனுள்ள முன்னறிவிப்பாகும், மேலும் வயது அல்லது கொமொர்பிடிட்டியைக் காட்டிலும் பலவீனத்தைக் கருத்தில் கொண்டு நோய் விளைவுகள் சிறப்பாகக் கணிக்கப்படுகின்றன.

மறுப்பு: இந்த சுருக்கமானது செயற்கை நுண்ணறிவு கருவிகளைப் பயன்படுத்தி மொழிபெயர்க்கப்பட்டது மற்றும் இன்னும் மதிப்பாய்வு செய்யப்படவில்லை அல்லது சரிபார்க்கப்படவில்லை.
Top