fa صحت پیش آگهی شدت درگیری ریه براساس داده های برش نگاری کامپیوتری برای پیش بینی میزان مرگ و میر بیماران COVID-19، یک مطالعه مرور نظام مند و فراتحلیل فیزیک پزشکی مرور سیستماتیک و متاآنالیزیس در پایان سال 2019 از زمان شیوع همه گیری<span dir="LTR"> COVID-19 </span>، در مجموع 344/703/4 مرگ در اثر این بیماری در سراسر جهان گزارش شده است(1). علائم این بیماری عفونی جدید شامل تب و/یا بیماری تنفسی، لنفوپنی و پنومونی با علت ناشناخته است(2-7). شدت پنومونی ناشی از سندرم حاد تنفسی شدید کروناویروس 2<span dir="LTR"> (SARS-CoV-2) </span>می تواند مرگ و میر بالای افراد مبتلا را توضیح دهد(8). با توجه به میزان مرگ و میر بیماران <span dir="LTR">&nbsp;COVID-19</span>، یافتن فاکتورهای پیش اگهی ضعیف برای تشخیص بیماران نیازمند مراقبت های ویژه حیاتی می باشد. بهبود مدیریت و نتیجه درمان بیماران <span dir="LTR">COVID-19</span> نتایج اصلی این بهینه سازی تشخیص بهنگام خواهد بود(9)<span dir="LTR">.</span><br> با وجود اینکه، واکنش زنجیره ای پلیمراز معکوس ترانس کریپتاز<span dir="LTR"> (RT-PCR) </span>روش استاندارد تشخیص<span dir="LTR"> COVID-19 </span>است، روش سی تی<span dir="LTR"> (CT) </span>به عنوان یک روش مکمل تشخیصی در مراکز درمانی مورد استفاده قرار می گیرد(8). روش تصویربرداری<span dir="LTR">CT</span> یک ابزار تشخیصی با حساسیت بالا برای تصویر برداری پنومونیت قفسه سینه است(10). بنابراین، می تواند نقش مهمی در ارزیابی شدت و میزان پنوونی ریوی داشته باشد (11)<span dir="LTR">.</span><br> کدورت <span dir="LTR">GGO</span> و <span dir="LTR">consolidation </span>&nbsp;با درگیری چند لوپ در هر دو طرفه ریه، یافته های اصلی<span dir="LTR"> CT </span>قفسه سینه در هنگام پذیرش بیماران می باشد(12, 13). سایر تظاهرات<span dir="LTR"> CT </span>قفسه سینه شامل <span dir="LTR">Crazy-paving pattern</span> ، درگیری چند لوپی و افزایش <span dir="LTR">consolidations</span> ریه با پیشرفت بیماری گزارش شده است(13)<span dir="LTR">.</span><br> نمره شدت درگیری ریه در تصاویر سی تی اسکن قفسه سینه<span dir="LTR"> (CT-SS) </span>یک شاخص پیشنهادی برای ارزیابی شدت پنومونی ناشی از <span dir="LTR">COVID-19</span> است. نتایج چندین مطالعه نشان داد که <span dir="LTR">CT-SS </span>&nbsp;بیماران <span dir="LTR">COVID-19</span> فوت شده به میزان قابل توجهی بالاتر از بیماران بهبود یافته است. ارتباط معنی داری بین<span dir="LTR"> CT-SS </span>و مرگ و میر بیماران مبتلا به<span dir="LTR"> COVID-19 </span>نیز مشاهده شد. بنابراین شدت درگیری ریه در تصاویر<span dir="LTR"> CT </span>اولیه پس از شروع علائم می تواند به عنوان فاکتور پیش بینی کننده بالقوه میزان مرگ و میر بیماران در نظر گرفته شود<span dir="LTR">.</span><br> براساس اطلاعات ما ، هنوز مطالعه سیستماتیک و متاآنالیز اختصاصی برای ارزیابی درستی پیش آگهی نمره <span dir="LTR">CT</span> آسیب ریه برای پیش بینی مرگ و میر در بیماران <span dir="LTR">COVID-19</span> انجام نشده است. در این مطالعه ، هدف ما بررسی صحت پیش آگهی نمره <span dir="LTR">CT</span> آسیب ریه برای پیش بینی میزان مرگ و میر بیماران <span dir="LTR">COVID-19</span> است. <strong>Prognostic accuracy of visual lung damage computed tomography score for mortality prediction in patients with COVID-19 pneumonia, a systematic review and meta-analysis</strong> صحت پیش آگهی, Covid-19, برش نگاری کامپیوتری, مرگ و میر, CT, پنومونی Prognostic accuracy, Covid-19, Computed tomography, Mortality, CT, Pneumonia 0 0 http://newresearch.medilam.ac.ir/browse.php?a_code=A-10-2528-4&slc_lang=fa&sid=1 Seyed Salman Zakariaee سید سلمان ذکریایی salman_zakariaee@yahoo.com 3733025751 100319475328460064789 Yes Department of Medical Physics, School of Medicine, Ilam University of Medical sciences, Ilam, Iran گروه آموزشی فیزیک پزشکی، دانشکده پزشکی، دانشگاه علوم پزشکی ایلام، ایلام، ایران Negar Naderi نگار نادری negarnaderi71@yahoo.com 5580017537 100319475328460064790 No دانشگاه علوم پزشکی ایلام Danial Razaee Molood دانیال رضایی مولود danial5719@gmail.com 3810384011 100319475328460064791 No دانشگاه علوم پزشکی ایلام