Médicaments utilisés durant la COVID-19
Bibliographic record
Abstract
Résumé Objectif En réponse à la pandémie actuelle de maladie à coronavirus 2019 (COVID-19), garder les médecins au fait des médicaments qui ont été proposés pour combattre la maladie, et des données probantes à l’appui de leur utilisation. Sources d’information Une revue narrative des médicaments les plus fréquemment utilisés pour combattre la COVID-19 a été réalisée, afin de souligner les meilleures données probantes disponibles concernant chaque traitement pharmacologique jusqu’ici. Des recherches ont été effectuées sur PubMed, EMBASE et MEDLINE à l’aide des mots-clés anglais COVID-19 et treatment, ainsi que d’autres mots-clés connexes. Ont été inclus les études pertinentes menées auprès de populations humaines et des cas de patients atteints de la COVID-19, ainsi que les articles et revues relevés à la main. Seuls les articles rédigés en anglais et en chinois ont été retenus. Message principal Alors que la prise en charge actuelle des patients atteints de la COVID-19 consiste principalement en soins de soutien, sans accès aux vaccins, les praticiens se sont tournés vers des médicaments utilisés dans d’autres indications. Cela a causé une grande controverse, puisque des données cliniques limitées étayaient l’utilisation de beaucoup de ces traitements, et cela pouvait se répercuter sur la sécurité du patient, l’accès aux médicaments et la santé publique. Par exemple, les médicaments tels que l’hydroxychloroquine et la chloroquine, le lopinavir-ritonavir, les anti-inflammatoires non stéroïdiens, les inhibiteurs de l’enzyme de conversion de l’angiotensine et les antagonistes des récepteurs de l’angiotensine ont capté l’attention des médias en raison de la médiatisation, de la mésinformation ou de la mauvaise interprétation des données de recherche. Conclusion Vu la gravité de la pandémie et les vastes effets éventuels de l’adoption de traitements sûrs et efficaces, cet article se veut être une revue narrative des données probantes actuelles étayant les médicaments les plus utilisés pour le traitement de la COVID-19 afin de permettre aux professionnels de la santé de prendre des décisions éclairées en matière de soins pour les patients qui sont atteints de cette maladie potentiellement mortelle.
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 | 0.009 | 0.048 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.003 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.003 | 0.002 |
| Insufficient payload (model declined to judge) | 0.040 | 0.007 |
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".