Efficacy of traditional Chinese medicine prescription in treatment of COVID-19: A prospective cohort study
Notice bibliographique
Résumé
BACKGROUND: The purpose of this study was to estimate the efficacy of traditional Chinese medicine (TCM) prescription in the treatment of coronavirus disease 2019 (COVID-19). METHODS: A multicenter prospective cohort study at 7 hospitals was conducted. The COVID-19 inpatients were divided into 2 groups. The control group received conventional treatment, and the TCM group received conventional treatment in combination with TCM prescription (Huashi Xuanfei decoction, Jiedu Xiefei decoction and Jianpi Bufei decoction). The 24 clinical symptoms of each patient were surveyed during 7 periods. The partial least squares discriminant analysis algorithm and Mann-Whitney U test were applied to systematical analyzing the differences in clinical symptoms between the 2 groups. RESULTS: A total of 38 and 77 cases were included for data analysis in the control and TCM groups, respectively. There were significant differences in scores of fever between the control and TCM groups on days 2 to 4 (1.00 vs 0.29, P = .003) and days 6 to 8 (0.53 vs 0.07, P = .024). The scores of poor appetite had significant differences between the control and TCM groups on days 0 to 1 (0.08 vs 0.51, P = .000), days 2 to 4 (0.05 vs 0.39, P = .001), days 20 to 22 (0.24 vs 0.05, P = .004) and days 27 to 29 (0.14 vs 0.03, P = .044). The scores of expectoration had significant differences on days 0 to 1 (0.32 vs 0.83, P = .000) and days 2 to 4 (0.24 vs 0.59, P = .001). CONCLUSION: The superiority of TCM prescription in improving symptoms of fever, poor appetite, and expectoration was demonstrated. The treatment regimen of using conventional treatment in combination with TCM prescription can significantly improve the clinical symptoms of COVID-19.
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 | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».