Medication use during COVID-19
Notice bibliographique
Résumé
OBJECTIVE: To keep health care providers, in response to the ongoing coronavirus disease 2019 (COVID-19) pandemic, informed about the medications that have been proposed to treat the disease and the evidence supporting their use. QUALITY OF EVIDENCE: , as well as related terms. Relevant research studies conducted in human populations and cases specific to patients with COVID-19 were included, as were relevant hand-searched papers and reviews. Only articles in English and Chinese were included. MAIN MESSAGE: While current management of patients with COVID-19 largely involves supportive care, without a widely available vaccine, practitioners have also resorted to repurposing medications used for other indications. This has caused considerable controversy, as many of these treatments have limited clinical evidence supporting their use and therefore pose implications for patient safety, drug access, and public health. For instance, medications such as hydroxychloroquine and chloroquine, lopinavir-ritonavir, nonsteroidal anti-inflammatory drugs, angiotensin-converting enzyme inhibitors, and angiotensin receptor blockers gained widespread media attention owing to hype, misinformation, or misinterpretation of research evidence. CONCLUSION: Given the severity of the pandemic and the potential broad effects of implementing safe and effective treatment, this article provides a narrative review of the current evidence behind the most widely used medications to treat COVID-19 in order to enable health care practitioners to make informed decisions in the care of patients with this life-threatening disease.
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 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,001 | 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 | 0,001 |
| 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; 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 ».