Efficacité et innocuité des agents antiviraux contre le SRAS-CoV-2, selon des données d’études sur la COVID-19 et d’autres infections virales aiguës : revue systématique et méta-analyse
Bibliographic record
Abstract
RÉSUMÉ CONTEXTE: On donne de façon empirique des agents antiviraux à certains patients atteints de la maladie à coronavirus 2019 (COVID-19). Dans le but d’appuyer la rédaction de lignes directrices sur la prise en charge de la COVID-19, nous avons réalisé une revue systématique des bénéfices et des préjudices associés à 7 traitements antiviraux contre cette infection. MÉTHODES: Nous avons effectué des recherches dans MEDLINE, Embase, le Cochrane Central Register of Controlled Trials (CENTRAL), PubMed et 3 bases de données chinoises (CNKI, Wanfang Data et SinoMed) jusqu’au 19 avril 2020, dans medRxiv et ChinaXiv jusqu’au 27 avril 2020, ainsi que dans Chongqing VIP jusqu’au 30 avril 2020. Nous avons sélectionné des études sur la ribavirine, la chloroquine, l’hydroxychloroquine, l’umifénovir (Arbidol), le favipiravir, l’interféron et le lopinavir/ritonavir. Lorsqu’il n’y avait pas de données directes d’études sur la COVID-19, nous avons retenu des données indirectes d’études sur le syndrome respiratoire aigu sévère (SRAS) et le syndrome respiratoire du Moyen-Orient (SRMO) pour l’analyse de l’efficacité, et d’études sur d’autres infections respiratoires virales aiguës pour l’analyse de l’innocuité. RÉSULTATS: Le taux de décès chez les patients atteints d’une forme sans signe clinique de gravité de COVID-19 était extrêmement bas, ce qui ne permet pas de conclure à un effet important sur la mortalité. Nous n’avons obtenu que des données de très faible qualité indiquant que la plupart des traitements avaient peu ou pas de bénéfices sur les paramètres à l’étude, quelle que soit la gravité de la COVID-19. Seule exception : le traitement au lopinavir/ritonavir, pour lequel nous avons obtenu des données de faible qualité faisant état d’une réduction de la durée du séjour en unité de soins intensifs (différence des risques [DR] 5 jours de moins, intervalle de confiance [IC] de 95 % 0 à 9 jours) et de la durée d’hospitalisation (DR 1 jour de moins, IC de 95 % 0 à 2 jours). En ce qui concerne l’innocuité, les données étaient de faible ou de très faible qualité, sauf pour le traitement au lopinavir/ritonavir, où des données de qualité moyenne laissaient supposer une augmentation probable de la diarrhée, des nausées et des vomissements. INTERPRÉTATION: À l’heure actuelle, rien ne prouve de façon convaincante que les traitements antiviraux apportent des bénéfices importants dans la lutte contre la COVID-19, bien que les données propres à chaque traitement n’excluent pas cette possibilité. D’autres essais randomisés et contrôlés menés auprès de patients atteints de la COVID-19 sont nécessaires avant de pouvoir recourir à ces traitements en toute confiance.
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 | 0.035 | 0.071 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.013 | 0.030 |
| Bibliometrics | 0.006 | 0.006 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.003 | 0.002 |
| Insufficient payload (model declined to judge) | 0.005 | 0.000 |
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".