Antiviral drug treatment for nonsevere COVID-19: a systematic review and network meta-analysis
Notice bibliographique
Résumé
BACKGROUND: Randomized trial evidence suggests that some antiviral drugs are effective in patients with COVID-19. However, the comparative effectiveness of antiviral drugs in nonsevere COVID-19 is unclear. METHODS: We searched the Epistemonikos COVID-19 L·OVE (Living Overview of Evidence) database for randomized trials comparing antiviral treatments, standard care or placebo in adult patients with nonsevere COVID-19 up to Apr. 25, 2022. Reviewers extracted data and assessed risk of bias. We performed a frequentist network meta-analysis and assessed the certainty of evidence using the Grading of Recommendations, Assessment, Development and Evaluation (GRADE) approach. RESULTS: We identified 41 trials, which included 18 568 patients. Compared with standard care or placebo, molnupiravir and nirmatrelvir-ritonavir each reduced risk of death with moderate certainty (10.9 fewer deaths per 1000, 95% confidence interval [CI] 12.6 to 4.5 fewer for molnupiravir; 11.7 fewer deaths per 1000, 95% CI 13.1 fewer to 2.6 more). Compared with molnupiravir, nirmatrelvir-ritonavir probably reduced risk of hospital admission (27.8 fewer admissions per 1000, 95% CI 32.8 to 18.3 fewer; moderate certainty). Remdesivir probably has no effect on risk of death, but may reduce hospital admissions (39.1 fewer admissions per 1000, 95% CI 48.7 to 13.7 fewer; low certainty). INTERPRETATION: Molnupiravir and nirmatrelvir-ritonavir probably reduce risk of hospital admissions and death among patients with nonsevere COVID-19. Nirmatrelvir-ritonavir is probably more effective than molnupiravir for reducing risk of hospital admissions. Most trials were conducted with unvaccinated patients, before the emergence of the Omicron variant; the effectiveness of these drugs must thus be tested among vaccinated patients and against newer variants.
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 | 0,023 | 0,052 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,022 | 0,039 |
| Bibliométrie | 0,009 | 0,009 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».