The efficacy and safety of long-term add-on treatment of azithromycin in asthma
Notice bibliographique
Résumé
AIM: Effects of azithromycin on asthma reported in clinical trials are less consistent. We aimed to further clarify the efficacy and safety of azithromycin in treatment of asthma. METHODS: The protocol registration number was CRD42017074318 (http://www.crd.york.ac.uk/Prospero). We searched PubMed, EMBASE, Cochrane databases, China National Knowledge Internet (CNKI), and Wanfang databases for the randomized controlled trials (RCTs) with prolonged treatment of azithromycin for more than 3 weeks. Random-effects or fixed-effects model was applied to calculate risk ratio (RR) and mean difference (MD) for dichotomous and continuous data respectively. RESULTS: A total of eight studies were included for analysis. The pooled result of adjunctive azithromycin therapy in asthma showed a small, but statistically significant increase in forced expiratory volume in one second (FEV1) (MD = 0.06, 95% confidence interval [CI]: 0.01-0.12, P = .02), but no significant differences in exacerbation frequency (MD = -0.42, 95%CI: -1.13 to 0.30, P = .25) and peak expiratory flow (PEF) (MD = 0.20, 95% CI: -0.05 to 0.44, P = .12), fractional exhaled nitric oxide (FeNO) (MD = 4.12, 95% CI: -2.06 to 10.30, P = .19), asthma quality of life questionnaire (AQLQ) (MD: 0.05, 95% CI: -0.17 to 0.28, P = .65), asthma control questionnaire (ACQ) (MD: -0.03, 95% CI: -0.21 to 0.15, P = .75). The subgroup analysis revealed that azithromycin could decrease FeNO among Asian asthma (MD = 15.04, 95% CI: 6.18-23.90, P = .0009). CONCLUSIONS: Add-on therapy of azithromycin in asthma patients could improve the FEV1, but failed to improve asthma exacerbations, PEF, ACQ, AQLQ, and FeNO. Subgroup analysis indicated that azithromycin could improve FeNO in Asian group asthmatics.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».