A systematic review and meta-analysis of the use of renin-angiotensin system drugs and COVID-19 clinical outcomes: What is the evidence so far?
Notice bibliographique
Résumé
Aim To provide a comprehensive/updated evaluation of the effect of ACEIs/ARBs on COVID-19 related-clinical outcomes, including exploration of inter-class differences between ACEIs and ARBs. Methods This was a systematic review/meta-analysis conducted in Medline (OVID), Embase, Scopus, Cochrane library and medRxiv from inception to 22nd May-2020. English studies that evaluated the effect of ACEIs/ARBs among patients with COVID-19 were included. The study outcomes included any COVID-19 related-clinical outcomes. Studies’ quality was appraised using the Newcastle-Ottawa Scale. Data were analysed using the random-effects modelling stratified by ACEIs/ARBs, ACEIs, and ARBs. Heterogenicity was assessed using I2 statistic. Several sub-group analyses were conducted to explore the impact of potential confounders. Results Out of the identified 452 studies, 27 studies were eligible for inclusion. The pooled analyses showed non-significant associations between ACEIs/ARBs and death (OR:0.97, 95%CI:0.75,1.27), ICU admission (OR:1.09;95%CI:0.65,1.81), death/ICU admission (OR:0.67; 95%CI:0.52,0.86), risk of COVID-19 infection (OR:1.01; 95%CI:0.93,1.10), severe infection (OR:0.78; 95%CI:0.53,1.15) and hospitalisation (OR:1.15; 95%CI:0.81,1.65). However, the sub-group analyses indicated different results such as significant association between ACEIs/ARBs and hospitalisation among USA studies (OR:1.59; 95%CI:1.03,2.44), peer-reviewed (OR:1.93, 95%CI:1.38,2.71), good quality and studies which reported adjusted measure of effect (OR:1.30, 95%CI:1.10,1.50). Significant differences were found between ACEIs and ARBs with the latter being significantly associated with lower risk of acquiring COVID-19 infection (OR:0.24; 95%CI: 0.17,0.34). Conclusions High-quality evidence exist for the effect of ACEIs/ARBs on some COVID-19 clinical outcomes. For the first time, we provided evidence, albeit of low quality, on inter-class differences between ACEIs and ARBs for some of the reported clinical outcome.
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 | 0,025 | 0,062 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,002 |
| Méta-épidémiologie (sens large) | 0,028 | 0,036 |
| Bibliométrie | 0,011 | 0,011 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,003 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,003 | 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 ».