Diagnosis of nasal and eye allergies: the Allergies, Immunotherapy, and RhinoconjunctivitiS (AIRS) patient survey
Notice bibliographique
Résumé
Knowledge and avoidance of allergies can lead to better allergy symptom control. The AIRS study assessed approaches to diagnosis of nasal and eye allergies or allergic rhinoconjunctivitis in the US. A national sample of 34,030 households using a dual frame approach of random digit dialing and cell phone sample were targeted. Patients aged =5 years with a health care professional diagnosis of hay fever, allergic rhinitis, rhino-conjunctivitis, nasal or eye allergies and symptoms or medication for condition in past 12 months were surveyed. Data on specific diagnosis and allergy testing were collected. Based on screening land-line sample of 20,835 households, 18% of individuals were diagnosed with one of conditions of interest. Of the 2765 surveyed patients, 86% were diagnosed with nasal allergies, 59%, hay fever, 54% eye allergies, 30%, allergic rhinitis and 13%, rhinoconjunctivitis. Four percent of respondents reported they were given an allergy test by doctor or health professional in past four months, 3% in past year, 7%, 1-2 years ago, and 37%, 3 or more years ago. Of those, 71% reported that they had a skin prick test, 13% had blood test and 12% had both blood and skin prick test. 47% report they never received an allergy test. The AIRS survey demonstrated that 18% of individuals > 5 years were diagnosed with an above allergic condition. Although these respondents had been diagnosed by a health care professional with “allergies”, almost half never had any allergy testing to determine the triggers of their condition.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».