Second‐line treatments in children with immune thrombocytopenia: Effect on platelet count and patient‐centered outcomes
Notice bibliographique
Résumé
Immune thrombocytopenia (ITP) is an autoimmune bleeding disorder with isolated thrombocytopenia and hemorrhagic risk. While many children with ITP can be safely observed, treatments are often needed for various reasons, including to decrease bleeding, or to improve health related quality of life (HRQoL). There are a number of available second-line treatments, including rituximab, thrombopoietin-receptor agonists, oral immunosuppressive agents, and splenectomy, but data comparing treatment outcomes are lacking. ICON1 is a prospective, multi-center, observational study of 120 children starting second-line treatments for ITP designed to compare treatment outcomes including platelet count, bleeding, and HRQoL utilizing the Kids ITP Tool (KIT). While all treatments resulted in increased platelet counts, romiplostim had the most pronounced effect at 6 months (P = .04). Only patients on romiplostim and rituximab had a significant reduction in both skin-related (84% to 48%, P = .01 and 81% to 43%, P = .004) and non-skin-related bleeding symptoms (58% to 14%, P = .0001 and 54% to 17%, P = .0006) after 1 month of treatment. HRQoL significantly improved on all treatments. However, only patients treated with eltrombopag had a median improvement in KIT scores at 1 month that met the minimal important difference (MID). Bleeding, platelet count, and HRQoL improved in each treatment group, but the extent and timing of the effect varied among treatments. These results are hypothesis generating and help to improve our understanding of the effect of each treatment on specific patient outcomes. Combined with future randomized trials, these findings will help clinicians select the optimal second-line treatment for an individual child with ITP.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».