MétaCan
Menu
Retour à la cohorte
Enregistrement W2931122915 · doi:10.1016/j.jaci.2019.01.053

Mobile technology offers novel insights into the control and treatment of allergic rhinitis: The MASK study

2019· article· en· W2931122915 sur OpenAlexaff
Annabelle Bédard, Xavier Basagaña, Josep M Antó, Judith García‐Aymerich, Philippe Devillier, S. Arnavielhe, Anna Bedbrook, Gabrielle L. Onorato, Ruth Murray, Rute Almeida, João Fonseca, Elı́sio Costa, João O. Malva, Mário Morais‐Almeida, Ana Margarida Pereira, Ana Todo‐Bom, Enrica Menditto, Cristiana Stellato, Maria Teresa Ventura, Ãlvaro A. Cruz, Rafaël Stelmach, Jane da Silva, Désirée Larenas-Linnemann, José Miguel Fuentes Pérez, Yunuen Rocío Huerta-Villalobos, R. Emuzyte, Violeta Kvedarienė, Arūnas Valiulis, Piotr Kuna, Bolesław Samoliński, Ludger Klimek, Ralph Mösges, Oliver Pfaar, S. Shamai, Isabelle Annesi-Maesano, Isabelle Bossé, Pascal Demoly, Jean-François Fontaine, Joaquim Mullol, Antonio Valero, Regina E. Roller‐Wirnsberger, Peter Valentin Tomazic, Niels H. Chavannes, Wytske J. Fokkens, Sietze Reitsma, M. Bewick, Dermot Ryan, Aziz Sheikh, Tari Haahtela, Sanna Toppila‐Salmi, Erkka Valovirta, Μichael Μakris, Emmanuel P. Prokopakis, Fotis Psarros, Cemal Cingi, Bilun Gemicioğlu, Arzu Yorgancıoğlu, Sinthia Bosnic‐Anticevich, Robyn E. O’Hehir, Claus Bachert, Peter W. Hellings, Benoı̂t Pugin, Carsten Bindslev‐Jensen, Esben Eller, Ingrid Kull, Erik Melén, Magnus Wickman, M. van Eerd, Ioana Agache, Ignacio J. Ansotegui, Mark S. Dykewicz, Thomas B. Casale, Dana Wallace, Susan Waserman, Daniel Laune, Jean Bousquet

Notice bibliographique

RevueJournal of Allergy and Clinical Immunology · 2019
Typearticle
Langueen
DomaineMedicine
ThématiqueAllergic Rhinitis and Sensitization
Établissements canadiensMcMaster University
Organismes subventionnairesTeva Pharmaceutical IndustriesJohnson and JohnsonAstraZenecaAllergy TherapeuticsAllergopharmaOtonomyStallergenes Greer FranceMylanUCBFlorida Agricultural Experiment StationEnergy FoundationChiesi FarmaceuticiEuropean Regional Development FundASCRS Research FoundationSanofiMundipharmaALK-AbellóCiplaRocheNovartisChiesi EspañaGlaxoSmithKlineBayerBoehringer Ingelheim
Mots-clésComputer scienceControl (management)MedicineArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

Background Mobile health can be used to generate innovative insights into optimizing treatment to improve allergic rhinitis (AR) control. Objectives A cross-sectional real-world observational study was undertaken in 22 countries to complement a pilot study and provide novel information on medication use, disease control, and work productivity in the everyday life of patients with AR. Methods A mobile phone app ( Allergy Diary , which is freely available on Google Play and Apple stores) was used to collect the data of daily visual analogue scale (VAS) scores for (1) overall allergic symptoms; (2) nasal, ocular, and asthma symptoms; (3) work; and (4) medication use by using a treatment scroll list including all allergy medications (prescribed and over-the-counter) customized for 22 countries. The 4 most common intranasal medications containing intranasal corticosteroids and 8 oral H 1 -antihistamines were studied. Results Nine thousand one hundred twenty-two users filled in 112,054 days of VASs in 2016 and 2017. Assessment of days was informative. Control of days with rhinitis differed between no (best control), single (good control for intranasal corticosteroid–treated days), or multiple (worst control) treatments. Users with the worst control increased the range of treatments being used. The same trend was found for asthma, eye symptoms, and work productivity. Differences between oral H 1 -antihistamines were found. Conclusions This study confirms the usefulness of the Allergy Diary in accessing and assessing behavior in patients with AR. This observational study using a very simple assessment tool (VAS) on a mobile phone had the potential to answer questions previously thought infeasible.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,014

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0000,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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.

Tête enseignante Opus0,018
Tête enseignante GPT0,296
Écart entre enseignants0,278 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations134
Publié2019
Routes d'admission1
Résumé présentnon

Explorer davantage

Même revueJournal of Allergy and Clinical ImmunologyMême sujetAllergic Rhinitis and SensitizationTravaux en français237 207