Antiviral drugs for coronavirus disease 2019 (COVID-19): a systematic review with network meta-analysis
Notice bibliographique
Résumé
BACKGROUND: To better inform clinical practice, we summarized the findings from randomized controlled trials (RCTs) of antivirals for COVID-19. METHODS: We systematically searched for literature up to September 2020, and included English-language publications of RCTs among hospitalized COVID-19 patients. We conducted network meta-analysis combining results of both the direct and indirect comparisons of interventions. The efficacy outcomes were clinical progression, all-cause mortality, and viral clearance, and safety outcomes were diarrhea, nausea, and vomiting. We generated treatment rankings (best to worst) and summarized rank probabilities using rankogram. RESULTS: We included 15 RCTs (14,418 patients) from 7,237 retrieved citations. There was no evidence for efficacy of the assessed antivirals compared with placebo/no treatment or with another antiviral for all efficacy outcomes. Lopinavir (400 mg)/ritonavir (100 mg) significantly increased diarrhea, nausea, and vomiting compared with placebo/no treatment and other antivirals, and was ranked worst for these outcomes, while triazavirin (250 mg), baloxavir marboxil (80 mg), and remdesivir (100 mg - 10 days) ranked best, respectively. CONCLUSIONS AND RELEVANCE: The available evidence does not support the use of any antiviral drugs for COVID-19. Cautious interpretations of the findings are, however, advised considering the paucity of the evidence. More RCTs are needed for a stronger evidence base.
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 | 0,007 | 0,028 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,039 | 0,022 |
| Bibliométrie | 0,000 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».