Efficacy of antiviral therapies for COVID-19: a systematic review of randomized controlled trials
Notice bibliographique
Résumé
BACKGROUND: Coronavirus disease 2019 (COVID-19) continues to pose a significant threat to public health worldwide. The purpose of this study was to review current evidence obtained from randomized clinical trials on the efficacy of antivirals for COVID-19 treatment. METHODS: A systematic literature search was performed using PubMed to identify randomized controlled trials published up to September 4, 2021 that examined the efficacy of antivirals for COVID-19 treatment. Studies that were not randomized controlled trials or that did not include treatment of COVID-19 with approved antivirals were excluded. Risk of bias was assessed using the Scottish Intercollegiate Guidelines Network (SIGN) method. Due to study heterogeneity, inferential statistics were not performed and data were expressed as descriptive statistics. RESULTS: Of the 2,284 articles retrieved, 31 (12,440 patients) articles were included. Overall, antivirals were more effective when administered early in the disease course. No antiviral treatment demonstrated efficacy at reducing COVID-19 mortality. Sofosbuvir/daclatasvir results suggested clinical improvement, although statistical power was low. Remdesivir exhibited efficacy in reducing time to recovery, but results were inconsistent across trials. CONCLUSIONS: Although select antivirals have exhibited efficacy to improve clinical outcomes in COVID-19 patients, none demonstrated efficacy in reducing mortality. Larger RCTs are needed to conclusively establish efficacy.
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 | 0,026 | 0,093 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,013 | 0,013 |
| Bibliométrie | 0,010 | 0,009 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 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 ».