Renin-angiotensin system inhibitors and severity of SARS-CoV-2 infection: a meta-analysis
Notice bibliographique
Résumé
Abstract Introduction The mechanism of entry of SARS-CoV-2 into the human host cell is through the ACE2 receptor. During the pandemic, a hypothesis has been proposed that A ngiotensin-converting enzyme inhibitors (ACEi) and Angiotensin II receptor blockers (ARBs) could be risk factors for the development of severe SARS-CoV-2 infection. Objective To conduct a meta-analysis of the association between ACEi or ARB use and SARS-CoV-2 infection severity or mortality. Data Sources We searched PubMed, EMBASE, Google scholar and the Cochrane Database of Systematic Reviews for observational studies published between December 2019 and April 24, 2020 Study Selection: Studies were included if they contained data on ACEi or ARB use and SARS-CoV-2 infection severity or mortality. Effect statistics were pooled using random-effects models. The quality of included studies was assessed with the Newcastle–Ottawa Scale (NOS). Data Extraction Data on study design, study location, year of publication, study design, number of participants, sex, age at baseline, outcome definition, exposure definition, follow-up, effect estimates and 95% Cis. Results Thirteen observational studies were identified for inclusion, combining to a total sample of 14364 participants. Mean age was 59.2 (SD 7.3) years and 53.5% were men. Mean follow-up was 28.3 (14.2) days. The mean NOS score of included studies was 7.8 (range: 7-9). Results suggested that ACEi or ARB use did not increase the risk of severe disease or mortality from SARS-CoV-2 infection (OR=0.72, 95% CI 0.47-1.11, p= 0.138). Conclusions At present, the limited evidence available does not support the hypothesis of increased SARS-CoV-2 risk with ACEi or ARB drugs. However, more evidence needs to accumulate before this controversy can be resolved.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| 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 ».