<scp>LEAP</scp>ing through the looking glass: secondary analysis of the effect of skin test size and age of introduction on peanut tolerance after early peanut introduction
Notice bibliographique
Résumé
Abstract Background In the Learning Early About Peanut Allergy ( LEAP ) study, early peanut introduction in high‐risk 4‐ to 11‐month‐olds was associated with a significantly decreased risk of developing peanut allergy. However, the influences of key baseline high‐risk factors on peanut tolerance are poorly understood. Methods Secondary analysis was conducted on the publically available LEAP dataset, exploring relationships between peanut tolerance, baseline peanut/egg sensitization, eczema severity/duration, age of introduction, gender, and race. Results A multiple logistic regression model predicting odds of successful oral food challenge ( OFC ) at 60 months noted higher odds with early introduction ( OR 9.2, P < 0.001, 95% CI 4.2–20.3), white race ( OR 2.1, P = 0.04, 95% CI 1.1–3.9), and advancing age ( OR 4.8, P = 0.04, 95% CI 1.1–20.8). Odds of peanut tolerance were lower with increasing peanut wheal size ( OR 0.58, P < 0.001, 95% CI 0.46–0.74), increased baseline SCORAD score ( OR 0.98, P = 0.04, 95% CI 0.97–1), and increased kU A /l of egg serum IgE (sIgE) ( OR 0.99, P = 0.04, 95% CI 0.98–1). The probability of peanut tolerance in the early introduction group was 83% vs 43% in the avoidance group with SPT wheal of <4 mm. The probability of a successful OFC was significantly higher with peanut introduction between 6 and 11 months than at 4–6 months. Increasing eczema severity had limited impact on the probability of peanut tolerance in the early introduction arm. Conclusion Increasing peanut wheal size predicted peanut tolerance only in the avoidance arm. Peanut introduction between 6 and 11 months of age was associated with the highest rates of peanut tolerance, questioning the ‘urgency’ of introduction before 6 months.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,000 |
| 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 ».