Current Drugs with Potential for Treatment of COVID-19: A Literature Review
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
PURPOSE: SARS-CoV-2 first emerged in China in December 2019 and rapidly spread worldwide. No vaccine or approved drug is available to eradicate the virus, however, some drugs that are indicated for other afflictions seems to be potentially beneficial to treat the infection albeit without unequivocal evidence. The aim of this article is to review the published background on the effectiveness of these drugs against COVID-19 Methods: A thorough literature search was conducted on recently published studies which have published between January 1 to March 25, 2020. PubMed, Google Scholar and Science Direct databases were searched Results: A total 22 articles were found eligible. 8 discuss about treatment outcomes from their applied drugs during treatment of COVID-19 patients, 4 report laboratory tests, one report animal trial and other 9 articles discuss recommendations and suggestions based on the treatment process and clinical outcomes of other diseases such as malaria, ebola, severe acute respiratory syndrome (SARS) and Middle East respiratory syndrome (MERS). The data and/or recommendations are categorized in 4 classes: (a) anti-viral and anti-inflammatory drugs, (b) anti-malaria drugs, (c) traditional Chinese drugs and (d) other treatments/drugs. CONCLUSION: All examined treatments, although potentiality effective against COVID-19, need either appropriate drug development or clinical trial to be suitable for clinical use.
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.
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 | 0,003 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,002 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle