Low level laser therapy as a modality to attenuate cytokine storm at multiple levels, enhance recovery, and reduce the use of ventilators in COVID-19
Notice bibliographique
Résumé
The global pandemic COVID-19 is a contagious disease and its mortality rates ranging from 1% to 5% are likely due to acute respiratory distress syndrome (ARDS), and cytokine storm. A significant proportion of patients who require intubation succumb to the disease, despite the availability of ventilators and the best treatment practices. Researchers worldwide are in search of anti-inflammatory medicines in the hope of finding a cure for COVID-19. Low-level laser therapy (LLLT) has strong, anti-inflammatory effects confirmed by meta-analyses, and it may be therapeutic to ARDS. LLLT has been used for pain management, wound healing, and other health conditions by physicians, physiotherapists, and nurses worldwide for decades. In addition, it has been used in veterinary medicine for respiratory tract disease such as pneumonia. Laser light with low-power intensity is applied to the surface of the skin to produce local and systemic effects. Based on the clinical experience, peer-reviewed studies, and solid laboratory data in experimental animal models, LLLT attenuates cytokine storm at multiple levels and reduces the major inflammatory metabolites. LLLT is a safe, effective, low-cost modality without any side-effects that may be combined with conventional treatment of ARDS. We summarize the effects of LLLT on pulmonary inflammation and we provide a protocol for augmenting medical treatment in COVID-19 patients. LLLT combined with conventional medical therapy has the potential to prevent the progression of COVID-19, minimize the length of time needed on a ventilator, enhance the healing process, and shorten recovery time.
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) | 0,000 | 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 ».