COVID-19 and Other Viral Infections in Patients With Hematologic Malignancies
Notice bibliographique
Résumé
COVID-19 and our armamentarium of strategies to combat it have evolved dramatically since the virus first emerged in late 2019. Vaccination remains the primary strategy to prevent severe illness, although the protective effect can vary in patients with hematologic malignancy. Strategies such as additional vaccine doses and now bivalent boosters can contribute to increased immune response, especially in the face of evolving viral variants. Because of these new variants, no approved monoclonal antibodies are available for pre-exposure or postexposure prophylaxis. Patients with symptomatic, mild-to-moderate COVID-19 and risk features for developing severe COVID-19, who present within 5-7 days of symptom onset, should be offered outpatient therapy with nirmatrelvir/ritonavir (NR) or in some cases with intravenous (IV) remdesivir. NR interacts with many blood cancer treatments, and reviewing drug interactions is essential. Patients with severe COVID-19 should be managed with IV remdesivir, tocilizumab (or an alternate interleukin-6 receptor blocker), or baricitinib, as indicated based on the severity of illness. Dexamethasone can be considered on an individual basis, weighing oxygen requirements and patients' underlying disease and their perceived ability to clear infection. Finally, as CD19-targeted and B-cell maturation (BCMA)-targeted chimeric antigen receptor (CAR) T-cell therapies become more heavily used for relapsed/refractory hematologic malignancies, viral infections including COVID-19 are increasingly recognized as common complications, but data on risk factors and prophylaxis in this patient population are scarce. We summarize the available evidence regarding viral infections after CAR T-cell therapy.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».