Tocilizumab, sarilumab and anakinra in critically ill patients with COVID-19: a randomised, controlled, open-label, adaptive platform trial
Notice bibliographique
Résumé
INTRODUCTION: Tocilizumab improves outcomes in critically ill patients with COVID-19. Whether other immune-modulator strategies are equally effective or better is unknown. METHODS: We investigated treatment with tocilizumab, sarilumab, anakinra and no immune modulator in these patients. In this ongoing, adaptive platform trial in 133 sites in 9 countries, we randomly assigned patients with allocation ratios dependent on the number of interventions available at each site. The primary outcome was an ordinal scale combining in-hospital mortality (assigned -1) and days free of organ support to day 21 in survivors. The trial used a Bayesian statistical model with predefined triggers for superiority, inferiority, efficacy, equivalence or futility. RESULTS: Of 2274 critically ill participants enrolled between 25 March 2020 and 10 April 2021, 972 were assigned to tocilizumab, 485 to sarilumab, 378 to anakinra and 418 to control. Median organ support-free days were 7 (IQR -1, 16), 9 (IQR -1, 17), 0 (IQR -1, 15) and 0 (IQR -1, 15) for tocilizumab, sarilumab, anakinra and control, respectively. Median adjusted ORs were 1.46 (95% credible intervals (CrI) 1.13, 1.87), 1.50 (95% CrI 1.13, 2.00) and 0.99 (95% CrI 0.74, 1.35) for tocilizumab, sarilumab and anakinra relative to control, yielding 99.8%, 99.8% and 46.6% posterior probabilities of superiority, respectively, compared with control. All treatments appeared safe. CONCLUSIONS: In critically ill patients with COVID-19, tocilizumab and sarilumab have equivalent effectiveness at reducing duration of organ support and death. Anakinra is not effective in this population. TRIAL REGISTRATION NUMBER: NCT02735707.
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 | 0,161 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| 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 | 0,001 |
| 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 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 ».