Management of COVID-19 - A Review
Notice bibliographique
Résumé
Abstract:: Coronavirus disease-2019(COVID-19) has gained much popularity not only in the Wuhan city of China but internationally also; in January 2020, the corona rapidly spread to many countries like the USA, Italy, Russia, India, Singapore, Pakistan, Thailand, Canada, Australia, England, and so on through passengers traveling to other countries. Corona patients can be cured with synthetic drugs, traditional herbal medicines (THM), use of Vitamin D and the quarantine approach. Different allopathic medicines, herbal extracts, and vitamin D have been observed to be useful in the treatment of novel coronavirus, like Remdesivir, hydroxychloroquine, Teicoplanin, Lopinavir+ Ritonavir, Ribavirin + corticosteroids, Glycyrrhizin, Sanguisorbae radix, Acanthopanacis cortex, Sophorae radix, etc. Various antiviral drugs are used to treat COVID-19, alone or in combination with other medications like Interferon-α, Lopinavir + Ritonavir, Arbidol, corticosteroids, etc., and some herbal extracts; also quarantine approach and Vitamin D are used that not only cure the infection but also boost up our immunity. For this review article, different papers were searched on Google Scholar, Scopus, WHO’s website, PubMed, clinicaltrials.gov and other relevant scientific research websites. In this review article, we have discussed the current strategies that are being used to treat COVID-19. Along with allopathic drugs, some herbal extracts can also be used to treat this novel coronavirus, like Glycyrrhizin, Sanguisorbae radix, Acanthopanacis cortex, Sophorae radix, etc. and even vitamin D.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».