Principales plantas medicinales disponibles en Guatemala con actividad contra virus respiratorios que infectan al ser humano – Revisión narrativa
Bibliographic record
Abstract
Las infecciones respiratorias constituyen una importante causa de morbilidad y mortalidad a nivel mundial, incrementándose su relevancia ante la reciente infección por SARS-CoV-2, causante de la pandemia de COVID-19. Las opciones terapéuticas para esta infección respiratoria son escasas y sin eficacia comprobada. El objetivo de esta revisión fue buscar la información sobre plantas con actividad antiviral o viricida publicada en los últimos 10 años, en las bases de datos de Google Scholar, Scopus y PubMed. La búsqueda priorizó aquellas especies disponibles en Guatemala, la cual se complementó con la búsqueda de moléculas con actividad antiviral para finalmente postular aquellas que puedan prevenir la infección o aminorar la patogénesis del SARS-CoV-2. Se detectaron más de 170 especies con actividad antiviral y se organizó la información por país o región y tipo de actividad antiviral contra virus específicos. De las especies de mayor disponibilidad en Guatemala se seleccionaron 20. La revisión culmina con 15 artículos que proponen plantas o moléculas con potencial actividad específica en el manejo de la pandemia por SARS-CoV-2. Se concluye que existen especies vegetales (Curcuma longa, Echinacea purpurea, Psidium guajava, Allium sativum, Salvia officinalis y Eucalyptus globulus) y fitocompuestos vegetales (hesperidina, rutina, diosmina, apiina, aloe-emodina, piperina, capsaicina, curcumina, oleuropeina, rhamnetina y gallato de epicatequina) que podrían contribuir al manejo de la enfermedad. Se instaa académicos y autoridades a poner más atención a estas opciones terapéuticas que nos ofrece la naturaleza y que podrían contribuir a aliviar el colapso de los sistemas de salud prevalentes
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.005 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.006 | 0.006 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.007 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".