MétaCan
Menu
Retour à la cohorte
Enregistrement W4317399343 · doi:10.3389/fphar.2023.1069879

Use of traditional Chinese medicine for the treatment and prevention of COVID-19 and rehabilitation of COVID-19 patients: An evidence mapping study

2023· review· en· W4317399343 sur OpenAlex
Yanfei Li, Qin Yu, Nan Chen, Long Ge, Qi Wang, Taslim Aboudou, Jiani Han, Liangying Hou, Liujiao Cao, Rui Li, Meixuan Li, Ningning Mi, Peng Xie, Siqing Wu, Linmin Hu, Xiuxia Li, Zhongyang Song, Jing Ji, Zhiming Zhang, Kehu Yang

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueFrontiers in Pharmacology · 2023
Typereview
Langueen
DomaineMedicine
ThématiqueTraditional Chinese Medicine Studies
Établissements canadiensMcMaster UniversityImpact
Organismes subventionnairesnon disponible
Mots-clésMedicineRandomized controlled trialCoronavirus disease 2019 (COVID-19)MEDLINEClinical trialAlternative medicinePhysical therapyInternal medicineDiseasePathologyInfectious disease (medical specialty)

Résumé

récupéré en direct d'OpenAlex

Background: The potential effectiveness of traditional Chinese medicine (TCM) against “epidemic diseases” has highlighted the knowledge gaps associated with TCM in COVID-19 management. This study aimed to map the matrix for rigorously assessing, organizing, and presenting evidence relevant to TCM in COVID-19 management. Methods: In this study, we used the methodology of evidence mapping (EM). Nine electronic databases, the WHO International Clinical Trials Registry Platform (ICTRP) Search Portal, ClinicalTrials.gov , gray literature, reference lists of articles, and relevant Chinese conference proceedings, were searched for articles published until 23 March 2022. The EndNote X9, Rayyan, EPPI, and R software were used for data entry and management. Results: In all, 126 studies, including 76 randomized controlled trials (RCTs) and 50 systematic reviews (SRs), met our inclusion criteria. Of these, only nine studies (7.14%) were designated as high quality: four RCTs were assessed as “low risk of bias” and five SRs as “high quality.” Based on the research objectives of these studies, the included studies were classified into treatment (53 RCTs and 50 SRs, 81.75%), rehabilitation (20 RCTs, 15.87%), and prevention (3 RCTs, 2.38%) groups. A total of 76 RCTs included 59 intervention categories and 57 efficacy outcomes. All relevant trials consistently demonstrated that TCM significantly improved 22 outcomes (i.e., consistent positive outcomes) without significantly affecting four (i.e., consistent negative outcomes). Further, 50 SRs included nine intervention categories and 27 efficacy outcomes, two of which reported consistent positive outcomes and two reported consistent negative outcomes. Moreover, 45 RCTs and 38 SRs investigated adverse events; 39 RCTs and 30 SRs showed no serious adverse events or significant differences between groups. Conclusion: This study provides evidence matrix mapping of TCM against COVID-19, demonstrating the potential efficacy and safety of TCM in the treatment and prevention of COVID-19 and rehabilitation of COVID-19 patients, and also addresses evidence gaps. Given the limited number and poor quality of available studies and potential concerns regarding the applicability of the current clinical evaluation standards to TCM, the effect of specific interventions on individual outcomes needs further evaluation.

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.

Prédiction distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,006
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,328
Score d'incertitude au seuil0,835

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,006
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0020,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,266
Tête enseignante GPT0,474
Écart entre enseignants0,208 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle