Anti-Ebola therapy for patients with Ebola virus disease: a systematic review
Notice bibliographique
Résumé
BACKGROUND: Management of Ebola virus disease (EVD) has historically focused on infection prevention, case detection and supportive care. Several specific anti-Ebola therapies have been investigated, including during the 2014-2016 West African outbreak. Our objective was to conduct a systematic review of the effect of anti-Ebola virus therapies on clinical outcomes to guide their potential use and future evaluation. METHODS: We searched PubMed, EMBASE, Global Health, Cochrane Library, African Index Medicus, WHOLIS (inception-9 April 2018), and trial registries for observational studies or clinical trials, in any language, that enrolled patients with confirmed EVD who received therapy targeting Ebola virus and reported on mortality, symptom duration, or adverse effects. RESULTS: From 11,257 citations and registered trials, we reviewed 55 full-text citations, of which 35 met eligibility criteria (1 randomized clinical trial (RCT), 8 non-randomized comparative studies, 9 case series and 17 case reports) and collectively examined 21 anti-Ebola virus agents. The 31 studies performed during the West African outbreak reported on 4.8% (1377/28616) of all patients with Ebola. The only RCT enrolled 72 patients (0.25% of all patients with Ebola) and compared the monoclonal antibody ZMapp vs. standard care (mortality, 22% vs. 37%; 95% confidence interval for risk difference, - 36 to 7%). Studies of convalescent plasma, interferon-β-1a, favipiravir, brincidofovir, artesunate-amodiaquine and TKM-130803 were associated with at least moderate risk of bias. CONCLUSIONS: Research evaluating anti-Ebola virus agents has reached very few patients with EVD, and inferences are limited by non-randomized study designs. ZMapp has the most promising treatment signal.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,002 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».