Herbal Medicine and COVID-19: An Umbrella Review
Notice bibliographique
Résumé
Background: Most systems of traditional medicine have been using herbal medicines to prevent and treat acute respiratory conditions and various other conditions for centuries. The aim of this project is to identify and examine the systematic and narrative reviews reporting on the therapeutic use of herbal medicines as it relates to the prevention and treatment of COVID-19 and long COVID. Methods: This paper is part of an umbrella review of studies related to natural health products and natural therapies for the prevention or treatment of COVID-19. It is a follow-up to a live review that was conducted by the World Naturopathic Federation between May 2022 and May 2023. PubMed and Google Scholar were searched for systematic and narrative reviews that met defined quality criteria. Results: Over half of the initial systematic reviews were excluded as they did not meet the inclusion and AMSTAR criteria. The final paper included 25 narrative reviews and 41 systematic reviews (SR), with half of the SRs reporting on the safety of herbal interventions. Various therapeutic properties of over 60 herbal medicines were outlined, some individually and most of them as part of herbal formula (combinations). Conclusion/Summary: Herbal interventions demonstrated statistically significant improved recovery in patients with COVID-19. The most common therapeutic properties identified were immunological properties, anti-inflammatory, anti- microbial, and antioxidant while the most frequently investigated herbs were Glycyrrhiza glabra/uralensis, Tinospora cordifolia, and Curcuma longa. More attention is needed on the regulation of herbal medicines, the quality of research, and the safety of herbal medicines.
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 | 0,006 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,012 | 0,012 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».