Donepezil combined with traditional Chinese medicine has promising efficacy on mild cognitive impairment: a systematic review and meta-analysis
Notice bibliographique
Résumé
Objective: Prior research has shown mixed results regarding the effectiveness of combining donepezil and traditional Chinese medicine (TCM) to treat mild cognitive impairment (MCI). In light of this, our study aims to examine the efficacy and safety of this treatment approach for patients with MCI. Methods: PubMed), Cochrane, Embase, Web of Science, Chinese National Knowledge Infrastructure, Chinese Biomedical Literature Database, Chinese Scientific Journal Database, and Wanfang Database from their inception to November 16, 2022. The selection of studies, risk of bias assessment, and data extraction were carried out independently by two authors. The statistical analysis was performed using STATA. Results: Our meta-analysis included a total of 35 studies with 2,833 patients, published between 2008 and 2022, with intervention durations ranging from 4 weeks to 12 months. However, most of the studies had a high risk of detection bias. Our findings indicated that the combination of donepezil and TCM significantly improved the Montreal Cognitive Assessment (MoCA) score (weighted mean difference [WMD] = 2.79, 95% confidence interval [CI]: 1.82 to 3.75) and the Barthel Index score (WMD = 9.20, 95% CI: 5.39 to 13.00) compared to donepezil alone. However, subgroup analyses showed that the MoCA score did not increase significantly in patients with MCI resulting from cerebrovascular disease (WMD = 1.47, 95% CI: -0.02 to 2.96). Conclusion: The combination of donepezil and TCM may have a more positive effect on cognitive function and activities of daily living in patients with MCI compared to the use of donepezil alone. However, due to the limited quality of the studies included in our analysis, these findings should be interpreted with caution.
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 | 0,011 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,018 | 0,033 |
| Bibliométrie | 0,006 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».