Preventive effects of 13 different drugs on colorectal cancer: a network meta-analysis
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.
Notice bibliographique
Résumé
Introduction: The aim of the study was to evaluate the preventive effect of 13 drugs on colorectal cancer (CRC) and guide the clinical application of these drugs. Material and methods: PubMed, Web of Science, Embase, Cochrane Library, and China National Knowledge Infrastructure were searched for randomized controlled trials (RCTs) and cohort studies. The Cochrane bias risk assessment tool and the Newcastle-Ottawa Scale quality evaluation tool were used to evaluate the quality of the included RCTs and cohort studies. The funnel plot was used to analyze publication bias. A network meta-analysis of the extracted data was conducted using Stata16.0 software. Results: A total of 57 studies (34 RCTs and 23 cohort studies) involving 82719 participants were included. The network meta-analysis revealed that the quality of the included studies was good; the funnel plot showed no obvious publication bias. The network meta-analysis showed that the preventive effect of 13 drugs on CRC was better than that of the placebo. Allopurinol (SUCRA: 97.2%) was found to have the best effect, followed by berberine (SUCRA: 89.9%), non-aspirin NSAIDs (SUCRA: 84.5%), statins (SUCRA: 66.5%), metformin (SUCRA: 66.3%), calcium (SUCRA: 48.9%), mesalazine (SUCRA: 44.5%), ursodeoxycholic acid (SUCRA: 42.6%), vitamin D (SUCRA: 41.4%), mercaptopurine (SUCRA: 39.4%), aspirin (SUCRA: 30.4%), folic acid (SUCRA: 24.9%), and eicosapentaenoic acid (SUCRA: 16.3%). Conclusions: The preventive effect of allopurinol on CRC was better than that of the other 13 drugs. These results can help doctors and patients understand the preventative effects of these drugs more intuitively and provide an evidence-based basis for the clinical application of these drugs.
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 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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,005 | 0,003 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle