SARS-CoV-2 pre-exposure prophylaxis: A potential COVID-19 preventive strategy for high-risk populations, including healthcare workers, immunodeficient individuals, and poor vaccine responders
Notice bibliographique
Résumé
The unprecedented worldwide spread of SARS-CoV-2 has imposed severe challenges on global health care systems. The roll-out and widespread administration of COVID-19 vaccines has been deemed a major milestone in the race to restrict the severity of the infection. Vaccines have as yet not entirely suppressed the relentless progression of the pandemic, due mainly to the emergence of new virus variants, and also secondary to the waning of protective antibody titers over time. Encouragingly, an increasing number of antiviral drugs, such as remdesivir and the newly developed drug combination, Paxlovid® (nirmatrelvir/ritonavir), as well as molnupiravir, have shown significant benefits for COVID-19 patient outcomes. Pre-exposure prophylaxis (PrEP) has been proven to be an effective preventive strategy in high-risk uninfected people exposed to HIV. Building on knowledge from what is already known about the use of PrEP for HIV disease, and from recently gleaned knowledge of antivirals used against COVID-19, we propose that SARS-CoV-2 PrEP, using specific antiviral and adjuvant drugs against SARS-CoV-2, may represent a novel preventive strategy for high-risk populations, including healthcare workers, immunodeficient individuals, and poor vaccine responders. Herein, we critically review the risk factors for severe COVID-19 and discuss PrEP strategies against SARS-CoV-2. In addition, we outline details of candidate anti-SARS-CoV-2 PrEP drugs, thus creating a framework with respect to the development of alternative and/or complementary strategies to prevent COVID-19, and contributing to the global armamentarium that has been developed to limit SARS-CoV-2 infection, severity, and transmission.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».