Antirheumatic drugs for COVID-19 treatment based on the phases of the disease: Current concept
Notice bibliographique
Résumé
COVID-19 disease is the most recent pandemic, since it has affected more than four and a half million people and caused more than 300,000 deaths. It is a very complex systemic disease in terms of pathogenesis, treatment, and prognosis. Pharmacological treatment may include antiviral and antimalarial drugs, antibiotics, monoclonal antibodies, corticosteroids as well as low-molecular-weight heparins to prevent the evolution of the disease from reaching the severe inflammatory phase that can lead to respiratory complications, multiple organ failure, disseminated intravascular coagulation (DIC), and finally death. Therefore, pending the development of the much sought-after vaccine, there needs to be a multidisciplinary approach to tackling this disease, and it is essential to use different medical treatments at the correct pathogenic moment. The aim of this article is to evaluate the rationale and reason behind the use of antirheumatic drugs, by expert point of view, in the various phases of the disease. Another important aspect in the management of the disease is to identify patients at high risk, both to change their lifestyle and to correct the state of their health through non-pharmacological measures for improving their immuno-balance. Our literature review reveals the important role and the therapeutic potential of antirheumatic agents in preventing the progression of the disease and aiding recovery from the disease. However, there is a lack of clinical evidence to support the use of these agents, indicating that further randomized controlled studies are required.
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 | 0,002 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| 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 | 0,001 |
| 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 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 ».