Use of Angiotensin-Converting Enzyme Inhibitors and Angiotensin II Receptor Blockers During the COVID-19 Pandemic: A Modeling Analysis
Notice bibliographique
Résumé
Angiotensin-converting enzyme inhibitors (ACEi) and angiotensin II receptor blockers (ARB) are frequently prescribed for a range of diseases including hypertension, proteinuric chronic kidney disease, and heart failure. There is evidence indicating that these drugs upregulate ACE2, a key component of the renin-angiotensin system (RAS) and is found on the cells of a number of tissues, including the epithelial cells in the lungs. While ACE2 has a beneficial role in many diseases such as hypertension, diabetes, and cardiovascular disease, it also serves as a receptor for both SARS-CoV and SARS-CoV-2 via binding with the spike protein of the virus, thereby allowing it entry into host cells. Thus, it has been suggested that these therapies can theoretically increase the risk of SARS- CoV-2 infection and cause more severe COVID-19. Given the success of ACEi and ARBs in cardiovascular diseases, we seek to gain insights into the implications of these medications in the pathogenesis of COVID-19. To that end, we have developed a mathematical model that represents the RAS, binding of ACE2 with SARS-CoV-2 and the subsequent cell entry, and the host's acute inflammatory response. The model can simulate different levels of SARS-CoV-2 exposure, and represent the effect of commonly prescribed anti-hypertensive medications, ACEi and ARB, and predict tissue damage. Model simulations indicate that whether the extent of tissue damage may be exacerbated by ACEi or ARB treatment depends on a number of factors, including the level of existing inflammation, dosage, and the effect of the drugs on ACE2 protein abundance. The findings of this study can serve as the first step in the development of appropriate and more comprehensive guidelines for the prescription of ACEi and ARB in the current and future coronavirus pandemics.
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 | 0,021 |
| 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 | 0,000 |
| 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 ».