Evaluation of Adjunctive Photobiomodulation (PBMT) for COVID-19 Pneumonia via Clinical Status and Pulmonary Severity Indices in a Preliminary Trial
Notice bibliographique
Résumé
PURPOSE: Evidence-based and effective treatments for COVID-19 are limited, and a new wave of infections and deaths calls for novel, easily implemented treatment strategies. Photobiomodulation therapy (PBMT) is a well-known adjunctive treatment for pain management, wound healing, lymphedema, and cellulitis. PBMT uses light to start a cascade of photochemical reactions that lead to local and systemic anti-inflammatory effects at multiple levels and that stimulate healing. Numerous empirical studies of PBMT for patients with pulmonary disease such as pneumonia, COPD and asthma suggest that PBMT is a safe and effective adjunctive treatment. Recent systematic reviews suggest that PBMT may be applied to target lung tissue in COVID-19 patients. In this preliminary study, we evaluated the effect of adjunctive PBMT on COVID-19 pneumonia and patient clinical status. PATIENTS AND METHODS: We present a small-scale clinical trial with 10 patients randomized to standard medical care or standard medical care plus adjunctive PBMT. The PBMT group received four daily sessions of near-infrared light treatment targeting the lung tissue via a Multiwave Locked System (MLS) laser. Patient outcomes were measured via blood work, chest x-rays, pulse oximetry and validated scoring tools for pneumonia. RESULTS: PBMT patients showed improvement on pulmonary indices such as SMART-COP, BCRSS, RALE, and CAP (Community-Acquired Pneumonia questionnaire). PBMT-treated patients showed rapid recovery, did not require ICU admission or mechanical ventilation, and reported no long-term sequelae at 5 months after treatment. In the control group, 60% of patients were admitted to the ICU for mechanical ventilation. The control group had an overall mortality of 40%. At a 5-month follow-up, 40% of the control group experienced long-term sequelae. CONCLUSION: PBMT is a safe and effective potential treatment for COVID-19 pneumonia and improves clinical status in COVID-19 pneumonia.
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 | 0,003 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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; 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 ».