COVID-19: The Disease, the Immunological Challenges, the Treatment with Pharmaceuticals and Low-Dose Ionizing Radiation
Notice bibliographique
Résumé
The year 2020 will be carved in the history books-with the proliferation of COVID-19 over the globe and with frontline health workers and basic scientists worldwide diligently fighting to alleviate life-threatening symptoms and curb the spread of the disease. Behind the shocking prevalence of death are countless families who lost loved ones. To these families and to humanity as a whole, the tallies are not irrelevant digits, but a motivation to develop effective strategies to save lives. However, at the onset of the pandemic, not many therapeutic choices were available besides supportive oxygen, anti-inflammatory dexamethasone, and antiviral remdesivir. Low-dose radiation (LDR), at a much lower dosage than applied in cancer treatment, re-emerged after a 75-year silence in its use in unresolved pneumonia, as a scientific interest with surprising effects in soothing the cytokine storm and other symptoms in severe COVID-19 patients. Here, we review the epidemiology, symptoms, immunological alterations, mutations, pharmaceuticals, and vaccine development of COVID-19, summarizing the history of X-ray irradiation in non-COVID diseases (especially pneumonia) and the currently registered clinical trials that apply LDR in treating COVID-19 patients. We discuss concerns, advantages, and disadvantages of LDR treatment and potential avenues that may provide empirical evidence supporting its potential use in defending against the pandemic.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 ».