Risk assessment of drug-induced Long QT Syndrome for some COVID-19 repurposed drugs
Notice bibliographique
Résumé
ABSTRACT The risk-benefit ratio associated with the use of repurposed drugs to treat 2019 SARS-CoV-2 related infectious disease (COVID-19) is complicated since benefits are awaited, not proven. A thorough literature search was conducted to source information on the pharmacological properties of 5 drugs and 1 combination (azithromycin, chloroquine, favipiravir, hydroxychloroquine, remdesivir, and lopinavir/ritonavir) repurposed to treat COVID-19. A risk assessment of drug-induced Long QT Syndrome (LQTS) associated with COVID-19 repurposed drugs was performed and compared to 23 well-known torsadogenic and 10 low torsadogenic risk compounds. Computer calculations were performed using pharmacokinetic and pharmacodynamic data, including affinity to block the rapid component of the delayed rectifier cardiac potassium current (I Kr ) encoded by the human ether-a-go-go gene (hERG) , propensity to prolong cardiac repolarization (QT interval) and cause torsade de pointes (TdP). Seven different LQTS indices were calculated and compared. The U.S. Food and Drug Administration (FDA) Adverse Event Reporting System (FAERS) database was queried with specific key words relating to arrhythmogenic events. Estimators of LQTS risk levels indicated a very high or moderate risk for all COVID-19 repurposed drugs with the exception for azithromycin, although cases of TdP have been reported with this drug. There was excellent agreement among the various indices used to assess risk of drug-induced LQTS for the 6 repurposed medications and 23 torsadogenic compounds. Based on our results, monitoring of the QT interval shall be performed when some COVID-19 repurposed drugs are used, as such monitoring is possible for hospitalized patients or with the use of biodevices for outpatients.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| 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 | 0,002 |
| 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 ».