Adjunct low level laser therapy (LLLT) in a morbidly obese patient with severe COVID-19 pneumonia: A case report
Notice bibliographique
Résumé
Introduction COVID-19 poses a higher risk of complications in obese patients due to low respiratory system compliance, increased inflammatory cytokines, and an activated immune system secondary to excess adiposity. Low level laser therapy (LLLT) has significant anti-inflammatory effects and reduces inflammatory cytokines. It is noninvasive and approved for pain management and musculoskeletal injuries. Data from human and experimental animal models of respiratory tract disease suggests that LLLT reduces inflammation and promotes lung healing. Case and outcomes A morbidly obese 32-year-old Asian female with severe COVID-19 received four consecutive once-daily LLLT sessions via a laser scanner. Pulsed 808 nm and 905 nm laser beams were delivered over the posterior chest for 28 min. The patient was evaluated before and after LLLT by radiological assessment of lung edema (RALE) on chest X-ray, oxygen requirements and saturation, pneumonia severity indices (SMART-COP and Brescia-COVID), blood inflammatory markers (interleukin-6, ferritin, and C-Reactive protein (CRP)). Prior to treatment, oxygen saturation (SpO~2~) via pulse oximetry was 88%--93% on 5--6 L oxygen. Following LLLT, SpO~2~ increased to 97%--99% on 1--3 L oxygen. Reductions in RALE score from 8 to 3, Brescia-COVID from 4 to 0, and SMART-COP from 5 to 0 were observed. Interleukin-6 decreased from 45.89 to 11.7 pg/mL, ferritin from 359 to 175 ng/mL, and CRP from 3.04 to 1.43 mg/dL. Post-treatment, the patient noted appreciable improvement in respiratory symptoms. Conclusion Following LLLT our patient showed improvement over a few days in respiratory indices, radiological findings, inflammatory markers, and patient outcomes. This report suggests that adjunct LLLT can be safely combined with conventional treatment in patients with severe COVID-19 and morbid obesity.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».