Interferon Treatments for SARS-CoV-2: Challenges and Opportunities
Notice bibliographique
Résumé
Interferon (IFN) therapies are used to treat a variety of infections and diseases and could be used to treat SARS-CoV-2. However, optimal use and timing of IFN therapy to treat SARS-CoV-2 is not well documented. We aimed to synthesize available evidence to understand whether interferon therapy should be recommended for treatment compared to a placebo or standard of care in adult patients. We reviewed literature comparing outcomes of randomized control trials that used IFN therapy for adults diagnosed with SARS-CoV-2 between 2019 and 2021. Data were extracted from 11 of 669 screened studies. Evidence of IFN effectiveness was mixed. Five studies reported that IFN was a better therapy than the control, four found no or minimal difference between IFN and the control, and two concluded that IFN led to worse patient outcomes than the control. Evidence was difficult to compare because of high variability in outcome measures, intervention types and administration, subtypes of IFNs used and timing of interventions. We recommend standardized indicators and reporting for IFN therapy for SARS-CoV-2 to improve evidence synthesis and generation. While IFN therapy has the potential to be a viable treatment for SARS-CoV-2, especially when combined with antivirals and early administration, the lack of comparable of study outcomes prevents evidence synthesis and uptake.
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 | 0,011 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,004 |
| Bibliométrie | 0,005 | 0,005 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».