Efficacy of chloroquine or hydroxychloroquine in COVID-19 patients: a systematic review and meta-analysis
Notice bibliographique
Résumé
OBJECTIVES: Clinical studies of chloroquine (CQ) and hydroxychloroquine (HCQ) in COVID-19 disease reported conflicting results. We sought to systematically evaluate the effect of CQ and HCQ with or without azithromycin on outcomes of COVID-19 patients. METHODS: We searched multiple databases, preprints and grey literature up to 17 July 2020. We pooled only adjusted-effect estimates of mortality using a random-effect model. We summarized the effect of CQ or HCQ on viral clearance, ICU admission/mechanical ventilation and hospitalization. RESULTS: Seven randomized clinical trials (RCTs) and 14 cohort studies were included (20 979 patients). Thirteen studies (1 RCT and 12 cohort studies) with 15 938 hospitalized patients examined the effect of HCQ on short-term mortality. The pooled adjusted OR was 1.05 (95% CI 0.96-1.15, I2 = 0%). Six cohort studies examined the effect of the HCQ+azithromycin combination with a pooled adjusted OR of 1.32 (95% CI 1.00-1.75, I2 = 68.1%). Two cohort studies and four RCTs found no effect of HCQ on viral clearance. One small RCT demonstrated improved viral clearance with CQ and HCQ. Three cohort studies found that HCQ had no significant effect on mechanical ventilation/ICU admission. Two RCTs found no effect for HCQ on hospitalization risk in outpatients with COVID-19. CONCLUSIONS: Moderate certainty evidence suggests that HCQ, with or without azithromycin, lacks efficacy in reducing short-term mortality in patients hospitalized with COVID-19 or risk of hospitalization in outpatients with COVID-19.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,013 | 0,029 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,024 | 0,039 |
| Bibliométrie | 0,007 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 source (Gemma direct ou Codex distillé), 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 ».