Antidepressant Use and Its Association with 28-Day Mortality in Inpatients with SARS-CoV-2: Support for the FIASMA Model against COVID-19
Notice bibliographique
Résumé
To reduce Coronavirus Disease 2019 (COVID-19)-related mortality and morbidity, widely available oral COVID-19 treatments are urgently needed. Certain antidepressants, such as fluvoxamine or fluoxetine, may be beneficial against COVID-19. We included 388,945 adult inpatients who tested positive for SARS-CoV-2 at 36 AP−HP (Assistance Publique−Hôpitaux de Paris) hospitals from 2 May 2020 to 2 November 2021. We compared the prevalence of antidepressant use at admission in a 1:1 ratio matched analytic sample with and without COVID-19 (N = 82,586), and assessed its association with 28-day all-cause mortality in a 1:1 ratio matched analytic sample of COVID-19 inpatients with and without antidepressant use at admission (N = 1482). Antidepressant use was significantly less prevalent in inpatients with COVID-19 than in a matched control group of inpatients without COVID-19 (1.9% versus 4.8%; Odds Ratio (OR) = 0.38; 95%CI = 0.35−0.41, p < 0.001). Antidepressant use was significantly associated with reduced 28-day mortality among COVID-19 inpatients (12.8% versus 21.2%; OR = 0.55; 95%CI = 0.41−0.72, p < 0.001), particularly at daily doses of at least 40 mg fluoxetine equivalents. Antidepressants with high FIASMA (Functional Inhibitors of Acid Sphingomyelinase) activity seem to drive both associations. These treatments may reduce SARS-CoV-2 infections and COVID-19-related mortality in inpatients, and may be appropriate for prophylaxis and/or COVID-19 therapy for outpatients or inpatients.
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 | 0,010 | 0,030 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».