MétaCan
Menu
Retour à la cohorte
Enregistrement W3167521026 · doi:10.3389/fphar.2021.664349

Pulmonary Edema in COVID-19 Patients: Mechanisms and Treatment Potential

2021· review· en· W3167521026 sur OpenAlexaff
Xinyu Cui, Wuyue Chen, Haoyan Zhou, Yuan Gong, Bowen Zhu, Xiang Lv, Hongbo Guo, Jing Zhou, Edyta Marcon, Hongyue Ma

Notice bibliographique

RevueFrontiers in Pharmacology · 2021
Typereview
Langueen
DomaineMedicine
ThématiqueCOVID-19 Clinical Research Studies
Établissements canadiensUniversity of Toronto
Organismes subventionnairesJiangsu Collaborative Innovation Center of Chinese Medicinal Resources IndustrializationQinglan Project of Jiangsu Province of ChinaNational Natural Science Foundation of China
Mots-clésPulmonary edemaMedicineEdemaLungCoronavirus disease 2019 (COVID-19)CoronavirusImmunologyIntensive care medicineDiseasePathologyInternal medicineInfectious disease (medical specialty)

Résumé

récupéré en direct d'OpenAlex

COVID-19 mortality is primarily driven by abnormal alveolar fluid metabolism of the lung, leading to fluid accumulation in the alveolar airspace. This condition is generally referred to as pulmonary edema and is a direct consequence of severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2) infection. There are multiple potential mechanisms leading to pulmonary edema in severe Coronavirus Disease (COVID-19) patients and understanding of those mechanisms may enable proper management of this condition. Here, we provide a perspective on abnormal lung humoral metabolism of pulmonary edema in COVID-19 patients, review the mechanisms by which pulmonary edema may be induced in COVID-19 patients, and propose putative drug targets that may be of use in treating COVID-19. Among the currently pursued therapeutic strategies against COVID-19, little attention has been paid to abnormal lung humoral metabolism. Perplexingly, successful balance of lung humoral metabolism may lead to the reduction of the number of COVID-19 death limiting the possibility of healthcare services with insufficient capacity to provide ventilator-assisted respiration.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,004
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,975
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,004
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0040,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,065
Tête enseignante GPT0,465
Écart entre enseignants0,400 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations67
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFrontiers in PharmacologyMême sujetCOVID-19 Clinical Research StudiesTravaux en français237 207