Immune-Based Therapy for Hospitalized Patients With COVID-19 and Risk of Secondary Infections: A Systematic Review and Meta-analysis
Notice bibliographique
Résumé
Abstract Background Immune-based therapies are standard-of-care treatment for coronavirus disease 2019 (COVID-19) patients requiring hospitalization. However, safety concerns related to the potential risk of secondary infections may limit their use. Methods We searched OVID Medline, Ovid EMBASE, SCOPUS, Cochrane Library, clinicaltrials.gov, and PROSPERO in October 2020 and updated the search in November 2021. We included randomized controlled trials (RCTs). Pairs of reviewers screened abstracts and full studies and extracted data in an independent manner. We used RevMan to conduct a meta-analysis using random-effects models to calculate the pooled risk ratio (RR) and 95% CI for the incidence of infection. Statistical heterogeneity was determined using the I2 statistic. We assessed risk of bias for all studies and rated the certainty of evidence using the Grading of Recommendations Assessment, Development, and Evaluation methodology. We conducted a meta-regression using the R package to meta-explore whether age, sex, and invasive mechanical ventilation modified risk of infection with immune-based therapies. The protocol is registered with PROSPERO (CRD42021229406). Results This was a meta-analysis of 37 RCTs including 32 621 participants (mean age, 60 years; 64% male). The use of immune-based therapy for COVID-19 conferred mild protection for the occurrence of secondary infections (711/15 721, 4.5%, vs 616/16 900, 3.6%; RR, 0.82; 95% CI, 0.71–0.95; P = .008; I2 = 28%). A subgroup analysis did not identify any subgroup effect by type of immune-based therapies (P = .85). A meta-regression revealed no impact of age, sex, or mechanical ventilation on the effect of immune-based therapies on risk of infection. Conclusions We identified moderate-certainty evidence that the use of immune-based therapies in COVID-19 requiring hospitalization does not increase the risk of secondary infections.
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 | 0,017 | 0,035 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,023 | 0,051 |
| Bibliométrie | 0,008 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,003 | 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 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 ».