Eficacia de las intervenciones farmacológicas para el tratamiento de la COVID-19
Bibliographic record
Abstract
Introducción. A pesar de la elevada morbimortalidad por coronavirus 19 aún no existe un tratamiento eficaz para abordarla. Objetivo. Establecer la eficacia de las intervenciones farmacológicas en el tratamiento de adultos con diagnóstico de enfermedad por coronavirus en cualquier fase. Metodología. Mediante una revisión exploratoria, se examinaron publicaciones hasta el 21 de enero de 2021 por una búsqueda en MEDLINE, Cochrane, me-dRxiv, New England Journal vía PubMed. Se analizaron fármacos reductores de la actividad viral, corticoides, terapia relacionada al sistema inmune para evaluar los desenlaces de supervivencia, ventilación mecánica, estancia hospitalaria y seguridad tras su aplicación a pacientes en fase leve, moderada y/o grave de la enfermedad. Se priorizaron ensayos clínicos controlados y aleatorizados, cuyo riesgo de sesgo se determinó con Newcastle-Ottawa y A measurement Tool to Assess Systematic Reviews 2. Resultados. Se comprobó que el Interferon-α2b disminuye la duración de eliminación del virus y los marcadores inflamatorios. En la terapia autoinmune, el tocilizumab mostró leve eficacia al administrarlo de forma única, sin embargo, combinado con dexametasona potencia su efecto. Conclusión. A un año de la pandemia por coronavirus 19 no hay evidencia concluyente sobre su terapia. Se ha comprobado cierta eficacia del Interferon-α2b inhalado, así como del tocilizumab y la dexametasona en administración única o combinada.
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 | 0.013 | 0.028 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.002 | 0.003 |
| Bibliometrics | 0.003 | 0.002 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.011 | 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".