Dosing of <i>s</i>ublingual immunotherapy for allergic rhinitis: evidence‐based review with recommendations
Notice bibliographique
Résumé
BACKGROUND: Since the mid 1980s, the clinical use of sublingual immunotherapy (SLIT) has dramatically increased. However, 1 of the primary barriers to providing SLIT is lack of a published dosing recommendations. The purpose of this work is to provide a range of effective SLIT dosing based upon a rigorous review of the existing evidence base. An appendix with SLIT dosing recommendations is also included. METHODS: A comprehensive search of the past 25 years of the medical literature using PubMed was performed for specific antigens. Inclusion criteria for articles included: randomized, placebo-controlled studies of SLIT, studies with clinical allergic rhinitis outcomes, and dosing units available to determine the micrograms per month of major allergen administered. The extracted data was used to compile a range of effective SLIT dosing for individual antigens. RESULTS: Seventy-five articles met the inclusion criteria, providing a range of effective dosing for some allergens. There was commonly a wide range in doses for particular antigens between the individual studies. For some antigens, there was significant overlap in dosage amount between studies showing efficacy and lack of efficacy. Clinical trials meeting inclusion criteria are not available for many allergens. CONCLUSION: This study provided a comprehensive review of the published sublingual dosing ranges for specific antigens. The review provided a range of effective sublingual doses for some allergens, whereas for other allergens there was insufficient published data to determine specific doses. Recommendations for SLIT dosing were produced based on the data revealed in the review and expert opinion.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| 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 ».