Coronavirus Disease 2019 and Hypertension: How Anti-hypertensive Drugs Affect COVID-19 Medications and Vice Versa
Notice bibliographique
Résumé
BACKGROUND: As a medical problem, hypertension is one of the most common disorders in cardiovascular disease. High blood pressure has been identified as one of the most familiar risk factors for the ongoing COVID-19 pandemic. We planned to explore the possible interactions between anti-hypertensive agents and drugs targeting SARS-CoV-2 with broad investigations of these medications' mechanism of action and adverse effects. METHODS: Two co-authors searched the electronic databases (PubMed, Scopus, and Google Scholar) to collect papers relevant to the subject. The keywords searched were angiotensin-converting enzyme inhibitors (ACEI), angiotensin-II receptor blockers (ARBs), sympatholytic drugs (alpha-1 blockers, beta-blockers), vasodilators (calcium channel blockers, nitrates, and hydralazine), diuretics, chloroquine, hydroxychloroquine, lopinavir/ritonavir, remdesivir, favipiravir, interferons, azithromycin, anti-cytokine agents, glucocorticoids, anticoagulant agents, nitric oxide, and epoprostenol. RESULTS: QT prolongation, arrhythmia, hypokalemia, hypertriglyceridemia are the most dangerous adverse effects in the patients on COVID-19 medications and anti-hypertensive drugs. CONCLUSION: This review emphasized the importance of the potential interaction between drugs used against COVID-19 and anti-hypertensive agents. Therefore, caution must be exercised when these medications are being used simultaneously.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».