1ISG-003 Study of the use of intravenous immunoglobulins during the fourth quarter of 2018 and analysis of its off-label use
Notice bibliographique
Résumé
Background and importance The use of intravenous immunoglobulins (IVIg) has increased as a result of their therapeutic usefulness in a great number of diseases. Despite this, IVIg label indications remain limited, so it is interesting to study their off-label use. Aim and objectives To describe the use of IVIg in our hospital for 3 months and to determine if they have been used for labelled indications. Material and methods This was a retrospective study (October–December 2018) and a descriptive analysis of the use of IVIg per patient and clinical indication. Information was collected from the hospital’s information systems and the computer records of the Farmatools software. Results Eighty-nine patients received IVIG during the study period, with an average age of 61 years at the end of the study (3 months–86.7 years); there were 40 (45%) men and 49 (55%) women. When IVIg were used as replacement therapy, the dosage used was 200–400 mg/kg every 3–5 weeks. In the remaining indications, the dose used per treatment cycle was 1–2 g/kg divided over 2–5 days. IVIG were used for labelled indications in 80% of patients (71/89) compared with 20% for off-label indications (18/89). Among the latter, the indications were: demyelinating neuropathies (6/18), myasthenia gravis (2/18), myopathies (2/18), encephalitis/encephalomyelitis (2/18), Morvan syndrome (1/18), syndrome paraneoplastic (1/18), refractory atopic dermatitis (1/18), paraneoplastic dermatomyositis (1/18), scleroderma (1/28) and antisynthetase syndrome (1/18). Conclusion and relevance The use of IVIG in unauthorised indications was frequent (20%), mainly in the field of neurology. This justifies the development of a protocol for the use of IVIG in this field for those indications with more scientific evidence and more common use: demyelinating neuropathies, myasthenia gravis and myopathies. References and/or acknowledgements No conflict of interest.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».