Antirheumatic Disease Therapies for the Treatment of COVID‐19: A Systematic Review and Meta‐Analysis
Notice bibliographique
Résumé
OBJECTIVE: Antirheumatic disease therapies have been used to treat coronavirus disease 2019 (COVID-19) and its complications. We conducted a systematic review and meta-analysis to describe the current evidence. METHODS: A search of published and preprint databases in all languages was performed. Included studies described ≥1 relevant clinical outcome for ≥5 patients who were infected with severe acute respiratory syndrome coronavirus 2 and were treated with antirheumatic disease therapy between January 1, 2019 and May 29, 2020. Pairs of reviewers screened articles, extracted data, and assessed risk of bias. A meta-analysis of effect sizes using random-effects models was performed when possible. RESULTS: The search identified 3,935 articles, of which 45 were included (4 randomized controlled trials, 29 cohort studies, and 12 case series). All studies evaluated hospitalized patients, and 29 of the 45 studies had been published in a peer-reviewed journal. In a meta-analysis of 3 cohort studies with a low risk of bias, hydroxychloroquine use was not significantly associated with mortality (pooled hazard ratio [HR] 1.41 [95% confidence interval (95% CI) 0.83, 2.42]). In a meta-analysis of 2 cohort studies with some concerns/higher risk of bias, anakinra use was associated with lower mortality (pooled HR 0.25 [95% CI 0.12, 0.52]). Evidence was inconclusive with regard to other antirheumatic disease therapies, and the majority of other studies had a high risk of bias. CONCLUSION: In this systematic review and meta-analysis, hydroxychloroquine use was not associated with benefit or harm regarding COVID-19 mortality. The evidence supporting the effect of other antirheumatic disease therapies in COVID-19 is currently inconclusive.
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 | 0,028 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,018 | 0,005 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».