Could treatment with immunomodulatory agents targeting IL-1, IL-6, or JAK signalling improve outcomes in patients with severe influenza pneumonia? A systematic and narrative review
Notice bibliographique
Résumé
Background: Influenza is a global cause of morbidity and mortality and a significant risk for a future pandemic infection. Host hyperinflammation, similar to that seen in COVID-19, may occur in response to influenza virus pneumonia, with Janus kinase (JAK) signalling and proinflammatory cytokines Interleukin (IL)-1 and IL-6 involved. Immune modulation treatment of hospitalised and critically ill COVID-19 patients, including with IL-6 and JAK inhibitors, has been found to be beneficial. Significant interest exists in the use of immunomodulatory agents targeting these pathways in the treatment of severe influenza pneumonia . Methods: We conducted a review with both systematic and narrative methods to assess whether, in patients with severe influenza pneumonia, treatment with immunomodulatory agents targeting IL-1, IL-6 or JAK signalling, in comparison to no immune modulation, is beneficial and improves clinical outcomes. Results: Our systematic search screened 5409 records and found no randomised controlled trials of IL-1, IL-6 or JAK immunomodulatory agents in patients with severe influenza pneumonia. To support this systematic search, we provide a narrative review of the biological rationale, previous use of these agents, including in hospitalised patients with COVID-19, and an overview of their safety profiles. Conclusions: Although immune modulation has proven successful in treating hospitalised and critically ill patients with COVID-19 and a biological rationale exists for testing these agents in influenza, no agents targeting IL-1, IL-6 or JAK signalling have been assessed in randomised controlled trials of patients with severe influenza pneumonia. This highlights a significant evidence gap.
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 | 0,005 | 0,030 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,008 | 0,007 |
| Bibliométrie | 0,005 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».