Janus kinases inhibitors for coronavirus disease-2019: A pairwise and Bayesian network meta-analysis
Notice bibliographique
Résumé
Background JAK (Janus kinases) inhibitors have been proposed as a promising treatment option for the coronavirus disease-2019 (COVID-19). However, the benefits of JAK inhibitors and the optimum thereof for COVID-19 have not been adequately defined. Methods Databases were searched from their inception dates to 17 June 2022. Eligible studies included randomized controlled trials and observational studies. Extracted data were analyzed by pairwise and network meta-analysis. The primary outcome was the coefficient of mortality. Results Twenty-eight studies of 8,206 patients were included and assessed qualitatively (modified Jadad and Newcastle–Ottawa Scale scores). A pairwise meta-analysis revealed that JAK inhibitors effectively reduced the mortality (OR = 0.54; 95% CI: 0.46–0.63; P < 0.00001; I 2 = 32%) without increasing the risk of adverse events (OR = 1.02; 95% CI: 0.88–1.18; P = 0.79; I 2 = 12%). In a network meta-analysis, clinical efficacy benefits were seen among different types of JAK inhibitors (baricitinib, ruxolitinib, and tofacitinib) without the observation of a declined incidence of adverse events. The assessment of rank probabilities indicated that ruxolitinib presented the greatest likelihood of benefits regarding mortality and adverse events. Conclusion JAK inhibitors appear to be a promising treatment for COVID-19 concerning reducing mortality, and they do not increase the risk of adverse events vs. standard of care. A network meta-analysis suggests that mortality benefits are associated with specific JAK inhibitors, and among these, ruxolitinib presents the greatest likelihood of having benefits for mortality and adverse events. Systematic review registration [ www.crd.york.ac.uk/prospero ], identifier [CRD42022343338].
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,007 | 0,003 |
| Bibliométrie | 0,001 | 0,002 |
| 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) | 0,002 | 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 ».