The Impact of Infliximab on Hyperinflammation State in Hospitalized COVID-19 Patients: A Retrospective Study
Notice bibliographique
Résumé
Background and Objectives: Elevated levels of pro-inflammatory cytokines have been linked to increased mortality in COVID-19 patients. Infliximab, a tumor necrosis factor inhibitor, has been reported to improve outcomes in COVID-19 patients by targeting the hyperinflammatory response. Our objective was to evaluate the effectiveness of incorporating Infliximab into standard care guidelines for the management of COVID-19. Materials and Methods: A retrospective analysis was conducted on 111 participants who were moderate to severe COVID-19 patients admitted to the hospital. Among them, 74 individuals received solely standard treatment, while 37 received standard therapy plus Infliximab. The primary outcomes of the study centered around the changes in laboratory test parameters. The secondary clinical findings included clinical recovery defined as improvement in patient oxygenation, time till recovery, and assessing necessity for ICU admission, and mortality rates. Results: There was no statistical difference observed in the inflammatory markers including, LDH, Ferritin, CRP, neutrophil to lymphocyte ratio (NLR), and P/F ratio between both groups and in the clinical outcomes including clinical recovery (p = 1.0), time to improvement (p = 0.436), and mortality rate (p = 0.601). However, there was a significant increase in secondary infection (45.9%, 20.3%; p = 0.005), and in liver enzymes, ALT (79.5, 50.0 IU/L; p = 0.02) and AST (57.5, 38.0 IU/L; p = 0.019) in the Infliximab group and the standard care group, respectively. Conclusions: Infliximab therapy did not demonstrate significant benefits compared to standard of care in moderate to severe hospitalized COVID-19 patients.
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 | 0,002 | 0,060 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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) | 0,000 | 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 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 ».