Pandemi COVID-19, yang disebabkan oleh severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2), adalah krisis global lintas dimensi kesehatan, ekonomi, dan pendidikan. Penyakit ini menyebar dengan cepat, dapat menyebabkan penyakit yang parah, dan ditandai dengan angka kematian yang tinggi pada kelompok tertentu. Kematian sangat tinggi jika tidak ada ukuran manajemen standar yang terbukti efektif. Salah satu masalah dalam penatalaksanaan penyakit ini adalah tidak adanya metode standar untuk diagnosis dan ketidakmampuan untuk memperkirakan prognosis berdasarkan gambaran klinis.
Laporan tertentu menunjukkan bahwa prediksi prognostik yang buruk berkorelasi dengan kematian yang tinggi di antara pasien dengan COVID-19. Di antara pasien dengan karakteristik klinis yang serupa dan dengan regimen pengobatan yang serupa, mungkin terdapat perbedaan hasil klinis. Oleh karena itu, pengembangan dan penggunaan prediktor yang akurat untuk prognosis COVID-19 akan bermanfaat bagi manajemen klinis pasien COVID-19, dan akan membantu menurunkan angka kematian. Penerapan mekanisme prediksi yang berhasil dapat berdampak besar pada kesehatan masyarakat. Pemahaman yang lebih baik tentang perkembangan klinis juga dapat meningkatkan pesan kesehatan masyarakat, terutama karena banyak orang menganggap COVID-19 tidak parah.
Alat prognostik untuk prediksi tingkat keparahan COVID-19 pada pasien telah dikembangkan sejak Januari 2020. Sedikitnya sembilan studi mengusulkan penggunaan alat prognostik untuk prediksi tingkat keparahan COVID-19. Namun, tinjauan sistematis baru-baru ini dan studi penilaian kritis mengevaluasi keakuratan alat ini menggunakan prediction model risk of bias assessment tool (PROBAST) dan melaporkan risiko bias yang tinggi. Pembentukan model prediksi untuk estimasi prognosis penyakit dapat membantu petugas kesehatan memisahkan pasien sesuai dengan status prediksi. Namun, risiko bias yang tinggi dalam alat prediksi ini dapat menyebabkan prediksi keparahan COVID-19 yang tidak akurat. Diperlukan studi komprehensif tentang identifikasi faktor risiko yang mungkin berperan penting dalam menentukan tingkat keparahan pasien COVID-19.
Kami melakukan tinjauan sistematis dan meta-analisis untuk menilai faktor risiko yang terkait dengan hasil klinis yang buruk di antara pasien dengan COVID-19. Artikel yang relevan dari PubMed, Embase, Cochrane, dan Web of Science dicari dan diekstraksi mulai tanggal 5 April 2020. Data yang menarik dikumpulkan dan dievaluasi kompatibilitasnya untuk meta-analisis. Perhitungan kumulatif untuk menentukan korelasi dan estimasi efek dilakukan dengan menggunakan uji Z.
Secara total, 19 artikel yang merekam 1.934 kasus COVID-19 ringan dan 1.644 kasus parah dimasukkan. Berdasarkan evaluasi awal, 62 faktor risiko potensial diidentifikasi untuk meta-analisis. Beberapa penyakit penyerta, termasuk penyakit pernafasan kronis, penyakit kardiovaskular, diabetes mellitus, dan hipertensi diamati lebih sering pada pasien dengan COVID-19 berat dibandingkan dengan yang ringan. Dibandingkan dengan bentuk ringan, COVID-19 parah dikaitkan dengan gejala seperti dispnea, anoreksia, kelelahan, peningkatan laju pernapasan, dan tekanan darah sistolik tinggi. Tingkat limfosit dan hemoglobin yang lebih rendah; peningkatan kadar leukosit, aspartat aminotransferase, alanine aminotransferase, kreatinin darah, nitrogen urea darah, troponin sensitivitas tinggi, kreatin kinase, protein C-reaktif sensitivitas tinggi, interleukin 6, D-dimer, ferritin, laktat dehidrogenase, dan prokalsitonin; dan tingkat sedimentasi eritrosit yang tinggi juga dikaitkan dengan COVID-19 yang parah.
Lebih dari 30 faktor risiko dikaitkan dengan risiko COVID-19 yang lebih tinggi. Hal ini dapat berfungsi sebagai parameter dasar yang berguna dalam pengembangan alat prediksi untuk prognosis COVID-19.
Penulis: Dr. Laksmi Wulandari, dr., Sp.P(K), FCCP
Informasi detail dari riset ini dapat dilihat pada tulisan kami di: https://f1000research.com/articles/9-1107/v1
Mudatsir M, Fajar JK, Wulandari L et al. Predictors of COVID-19 severity: a systematic review and meta-analysis. F1000Research 2020, 9:1107.https://doi.org/10.12688/f1000research.26186.1
