Assessing the Efficacy and Challenges of Tofacitinib in the Management of COVID-19: A Systematic Review and Meta-analysis of Cohort Studies
Notice bibliographique
Résumé
Objectives: Global healthcare faces challenges in combating COVID-19, with rising cases despite widespread vaccination. Severe COVID-19 cases, marked by acute respiratory distress and cytokine release syndrome, highlight the importance of managing cytokine storms. Janus kinase (JAK) inhibitors, such as tofacitinib, show promise in this regard. While tofacitinib is recommended for severe cases, challenges include adverse effects, conflicting studies, and the need for further investigation of new virus strains. Overcoming these hurdles is crucial for developing an effective treatment protocol and reducing COVID-19 mortality. Methods: This study conducted a comprehensive search across PubMed, Scopus, and ISI Web of Science for observational studies on tofacitinib treatment in human adults with COVID-19. The search covered a specified period up to 2024. Data extraction, including study characteristics and quality assessment, employed the Newcastle Ottawa Scale and a modified Cochrane tool. Statistical analysis, conducted with Comprehensive Meta-Analysis Software, assessed heterogeneity and significance levels. Results: The meta-analysis of the three studies showed a significant reduction in mortality (Risk Ratio: 0.372, 95% CI: 0.213–0.649, P-value = 0.001) with low heterogeneity (Cochrane P-value = 0.793), while no significant reduction in the need for mechanical ventilation was observed (Cochrane P-value = 0.194). Conclusion: Tofacitinib administration shows a significant reduction in COVID-19 mortality. However, the limited studies on its efficacy highlight the need for cautious interpretation in clinical assessments.
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 | 0,007 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,011 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».