Adjuvant therapy in neonatal sepsis to prevent mortality - A systematic review and network meta-analysis
Notice bibliographique
Résumé
BACKGROUND: Despite appropriate antibiotic therapy, the risk of mortality in neonatal sepsis still remains high. We conducted a systematic review to comprehensively evaluate different adjuvant therapies in neonatal sepsis in a network meta-analysis. METHODS: We included randomized controlled trials (RCTs) and quasi-RCTs that evaluated adjuvant therapies in neonatal sepsis. Neonates of all gestational and postnatal ages, who were diagnosed with sepsis based on blood culture or sepsis screen were included. We searched MEDLINE, CENTRAL, EMBASE and CINAHL until 12th April 2021 and reference lists. Data extraction and risk of bias assessment were performed in duplicate. A network meta-analysis with bayesian random-effects model was used for data synthesis. Certainty of evidence (CoE) was assessed using GRADE. RESULTS: We included 45 studies involving 6,566 neonates. Moderate CoE showed IVIG [Relative Risk (RR); 95% Credible Interval (CrI): 1.00; (0.67-1.53)] as an adjunctive therapy probably does not reduce all-cause mortality before discharge, compared to standard care. Melatonin [0.12 (0-0.08)] and granulocyte transfusion [0.39 (0.19-0.76)] may reduce mortality before discharge, but CoE is very low. The evidence is also very uncertain regarding other adjunctive therapies to reduce mortality before discharge. Pentoxifylline may decrease the duration of hospital stay [Mean difference; 95% CrI: -7.48 days (-14.50-0.37)], but CoE is very low. CONCLUSION: Given the biological plausibility for possible efficacy of these adjuvant therapies and that the CoE from the available trials is very low to low except for IVIG, we need large adequately powered RCTs to evaluate these therapies in sepsis in neonates.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,018 | 0,004 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 tête enseignante, 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 ».