Pharmacological strategies to reduce exacerbation risk in COPD: a narrative review
Notice bibliographique
Résumé
Identifying patients at risk of exacerbations and managing them appropriately to reduce this risk represents an important clinical challenge. Numerous treatments have been assessed for the prevention of exacerbations and their efficacy may differ by patient phenotype. Given their centrality in the treatment of COPD, there is strong rationale for maximizing bronchodilation as an initial strategy to reduce exacerbation risk irrespective of patient phenotype. Therefore, in patients assessed as frequent exacerbators (>1 exacerbation/year) we propose initial bronchodilator treatment with a long-acting muscarinic antagonist (LAMA)/ long-acting β2-agonist (LABA). For those patients who continue to experience >1 exacerbation/year despite maximal bronchodilation, we advocate treating according to patient phenotype. Based on currently available data on adding inhaled corticosteroids (ICS) to a LABA, ICS might be added to a LABA/LAMA combination in exacerbating patients who have an asthma-COPD overlap syndrome or high blood eosinophil counts, while in exacerbators with chronic bronchitis, consideration should be given to treating with a phosphodiesterase (PDE)-4 inhibitor (roflumilast) or high-dose mucolytic agents. For those patients who experience frequent bacterial exacerbations and/or bronchiectasis, addition of mucolytic agents or a macrolide antibiotic (e.g. azithromycin) should be considered. In all patients at risk of exacerbations, pulmonary rehabilitation should be included as part of a comprehensive management plan.
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 | 0,008 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,003 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».