Epidemiology of severe anaphylaxis: can we use population-based data to understand anaphylaxis?
Notice bibliographique
Résumé
PURPOSE OF REVIEW: The observed increase in incidence of allergic disease in many regions over the past 3 decades has intensified interest in understanding the epidemiology of severe allergic reactions. We discuss the issues in collecting and interpreting these data and highlight current deficiencies in the current methods of data gathering. RECENT FINDINGS: Anaphylaxis, as measured by hospital admission rates, is not uncommon and has increased in the United Kingdom, the United States, Canada, and Australia over the last 10-20 years. All large datasets are hampered by a large proportion of uncoded, 'unspecified' causes of anaphylaxis. Fatal anaphylaxis remains a rare event, but appears to be increasing for medication in Australia, Canada, and the United States. The rate of fatal food anaphylaxis is stable in the United Kingdom and the United States, but has increased in Australia. The age distribution for fatal food anaphylaxis is different to other causes, with data suggesting an age-related predisposition to fatal outcomes in teenagers and adults to the fourth decade of life. SUMMARY: The increasing rates of food and medication allergy (the latter exacerbated by an ageing population) has significant implications for future fatality trends. An improved ability to accurately gather and analyse population-level anaphylaxis data in a harmonized fashion is required, so as to ultimately minimize risk and improve management.
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 | 0,006 | 0,034 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,003 |
| Bibliométrie | 0,005 | 0,005 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,004 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».