Συμεωνίδου Ιωάννα-ΕλένηSymeonidou Ioanna-EleniΗ ταχεία εξάπλωση της πανδημίας του COVID-19 και η μεγάλη συρροή ασθενών στα νοσοκομεία, επέφερε σημαντική πίεση στα συστήματα υγείας. Οι κλινικές εκδηλώσεις των COVID-19 ασθενών είναι πολύ ετερογενείς και κυμαίνονται από ασυμπτωματική εικόνα ή ήπια συμπτώματα έως την εκδήλωση σοβαρής πνευμονίας, συνδρόμου οξείας αναπνευστικής δυσχέρειας, σηπτικού σοκ ή/και πολυοργανικής ανεπάρκειας, καταστάσεις που απαιτούν εισαγωγή των ασθενών στη ΜΕΘ και πιθανώς διασωλήνωσή τους. Η χρήση προγνωστικών μοντέλων για την κατηγοριοποίηση των COVID-19 ασθενών ανάλογα με τον κίνδυνο εκδήλωσης σοβαρής νόσησης ή/και θανάτου κρίνεται ιδιαίτερα αναγκαία, τόσο για την έγκαιρη εξατομικευμένη αντιμετώπισή τους, όσο και για την καλύτερη διαχείριση των πόρων για την υγεία. Στην παρούσα εργασία γίνεται βιβλιογραφική ανασκόπηση μελετών που αξιολογούν προγνωστικά μοντέλα για την εκτίμηση του κινδύνου θανάτου ασθενών με COVID-19 λοίμωξη. Αρχικά παρουσιάζονται μελέτες που αξιολογούν την πιθανή προγνωστική αξία σε COVID-19 ασθενείς, καθιερωμένων προγνωστικών scores που χρησιμοποιούνται σε άλλες παθήσεις. Ακολούθως παρουσιάζονται μελέτες, που επικεντρώνονται στην ανάπτυξη ή/και στην επικύρωση νέων προγνωστικών μοντέλων, ειδικών για την θνητότητα των COVID-19 ασθενών. Αυτά τα μοντέλα συνεκτιμούν δημογραφικά και κλινικοεργαστηριακά δεδομένα, απεικονιστικά ευρήματα ή συνδυασμό αυτών, και η ανάπτυξή τους βασίζεται σε κλασικές μεθόδους στατιστικής ή στην μηχανική μάθηση. Από την ανάλυση των καθιερωμένων scores διαπιστώθηκε μεγάλη διαφοροποίηση μεταξύ των μελετών, ως προς την απόδοσή τους στους COVID-19 ασθενείς. Αντίστοιχα, αν και αρκετά νέα προγνωστικά μοντέλα παρουσιάζουν υψηλή απόδοση, πολλά υστερούν στη δυνατότητα γενίκευσης λόγω ελλιπούς επικύρωσής τους. Συνεπώς, απαιτούνται πολυκεντρικές προοπτικές μελέτες για την επικύρωση των προγνωστικών μοντέλων και την εξαγωγή ασφαλών συμπερασμάτων ως προς την απόδοσή τους.The COVID-19 pandemic has put enormous pressure on healthcare systems all over the world. Clinical manifestations and symptoms of COVID-19 infection are very heterogeneous and range from asymptomatic clinical picture or mild respiratory symptoms to very severe pneumonia or even acute respiratory distress syndrome (ARDS), septic shock and multiple organ dysfunction. In those severe cases, COVID-19 patients need to be transferred to intensive care units (ICU) for mechanical ventilation or/and intubation. The use of prognostic models that combine several clinical, laboratory, demographic data or/and imaging features in order to estimate the risk of COVID-19 patients deteriorating or even dying, are of great importance and usefulness for triaging patients and for clinical decision-making. This study presents a literature review on prognostic models which aim to predict COVID-19 mortality. We first present studies evaluating the potential prognostic value in COVID-19 patients of established scoring systems that are widely used in other conditions to stratify risk and predict outcomes. We then include new COVID-19-specific prognostic models and stratification tools, which have been developed and/or validated the last years in order to predict mortality of patients with COVID-19. Analysis of the established scores showed a wide variation between studies in terms of their performance in COVID-19 patients. Similarly, although several new prognostic models show high performance, many lack generalizability due to insufficient validation. Therefore, multicenter prospective studies are needed to validate the predictive models and draw firm conclusions regarding their performance and clinical potential.uoadl:3396641greΕπιστήμες ΥγείαςHealth SciencesΠρογνωστικά συστήματα για τη θνητότητα της COVID-19 λοίμωξης: βιβλιογραφική ανασκόπησηborn_digital_postgraduate_thesisΔιπλωματική ΕργασίαPostgraduate Thesis2024Κλινική ΙατρικήClinical MedicineFrascati 42Μεταπτυχιακή εργασίαMaster thesisΕπιστήμες ΥγείαςHealth SciencesFrascati 42Εθνικό και Καποδιστριακό Πανεπιστήμιο ΑθηνώνGreek Aggregator OpenArchives.gr | National Documentation Centre (EKT)