Mortality, viral clearance, and other clinical outcomes of hydroxychloroquine in COVID‐19 patients: A systematic review and meta‐analysis of randomized controlled trials
Notice bibliographique
Résumé
Abstract Many meta‐analyses have been published about the efficacy of hydroxychloroquine (HCQ) in coronavirus disease 2019 (COVID‐19). Most of them included observational studies, and few have assessed HCQ as a prophylaxis or evaluated its safety profile. We searched multiple databases and preprint servers for randomized controlled trials (RCTs) that assessed HCQ for the treatment or prevention of COVID‐19. We summarized the effect of HCQ on mortality, viral clearance, and other clinical outcomes. Out of 768 papers screened, 21 RCTs with a total of 14,138 patients were included. A total of 9 inpatient and 3 outpatient RCTs assessed mortality in 8596 patients with a pooled risk difference of 0.01 (95% confidence interval [CI] 0.00–0.03, I 2 = 1%, p = 0.07). Six studies assessed viral clearance at 7 days with a pooled risk ratio (RR) of 1.11 (95% CI 0.86–1.42, I 2 = 61%, p = 0.44) and 5 studies at 14 days with a pooled RR of 0.96 (95% CI 0.89–1.04, I 2 = 0%, p = 0.34). Several trials showed no significant effect of HCQ on other clinical outcomes and. Five prevention RCTs with 5012 patients found no effect of HCQ on the risk of acquiring COVID‐19. Thirteen trials showed that HCQ was associated with increased risk of adverse events. We observed, with high level of certainty of evidence, that HCQ is not effective in reducing mortality in patients with COVID‐19. Lower certainty evidence also suggests that HCQ neither improves viral clearance and other clinical outcomes, nor prevents COVID‐19 infection in patients with high‐risk exposure. HCQ is associated with an increased rate of adverse events.
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 | 0,088 | 0,360 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,055 | 0,008 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,005 |
| 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; 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 ».