Outcomes and Strategies to Support a Treat-to-target Approach in Inflammatory Bowel Disease: A Systematic Review
Notice bibliographique
Résumé
BACKGROUND AND AIMS: Management of Crohn's disease and ulcerative colitis has typically relied upon treatment intensification driven by symptoms alone. However, a 'treat-to-target' management approach may help to address underlying inflammation, minimise disease activity at early stages of inflammatory bowel disease, limit progression, and improve long-term outcomes. METHODS: A systematic literature review was conducted to identify data relevant to a treat-to-target approach in inflammatory bowel disease, published between January 1, 2007 and May 15, 2017. RESULTS: Consistent with recommendations of the Selecting Therapeutic Targets in Inflammatory Bowel Disease [STRIDE] working group, studies have investigated factors influencing the achievement of both endoscopic and histological mucosal healing and patient-level outcomes in inflammatory bowel disease [IBD]. Histological healing and biomarker levels have also been shown to be modifiable outcomes. Although there is a lack of prospectively derived evidence validating mucosal healing as a treatment target, data are emerging to suggest that targeting mucosal healing or inflammation rather than symptoms may be cost-effective in some settings. The review highlighted several strategies that may support the implementation of a treat-to-target approach in IBD. The prospective randomised CALM study demonstrated how tight control [whereby treatment decisions are based on close monitoring of inflammatory biomarkers] leads to improvements in endoscopic and clinical outcomes. The review also considered the influence of coordinated care from a multidisciplinary team and patient engagement with improved adherence, as well as the role of therapeutic drug monitoring in inflammatory bowel disease management. CONCLUSIONS: A treat-to-target strategy may impact on disease progression and improve outcomes in inflammatory bowel disease. Prospective studies including long-term data are required to ensure that the most appropriate targets and strategies are identified.
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 | 0,016 | 0,078 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,009 | 0,010 |
| Bibliométrie | 0,012 | 0,011 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 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 ».