Predictors of response to medications for asthma in pediatric patients: A systematic review of the literature
Notice bibliographique
Résumé
OBJECTIVES: There has been no systematic review of studies aimed to predict differential responses to medication regimens for asthma controller therapies in pediatric patients. The aim of the present study was to summarize those identifying biomarkers for the different asthma controller therapies. METHODS: Studies published by June 2019 that report phenotypic or genotypic characteristics or biomarkers that could potentially serve as response predictors to asthma controller therapies in pediatric patients were included. The quality of studies was assessed using the Cochrane Risk of Bias tool and the Newcastle-Ottawa Scale tool. RESULTS: Of 385 trials identified, 30 studies were included. Children with asthma and a positive family history of asthma, with more severe disease, of the white race, with allergy biomarkers, nonobese, with lower lung function, high bronchial hyperresponsiveness to methacholine, or having variants in the FCER2 and CRHR1 gene respond better to inhaled corticosteroids (ICS). Younger age (<10 years), short disease duration (<4 years), high cotinine and urinary leukotriene E4 (LTE4) levels, and 5/5 ALOX5 were associated with a better response to leukotriene receptor antagonist (LTRA). For patients that remain symptomatic, white Hispanics were more likely to respond to LTRA, blacks to ICS, white non-Hispanics to LTRA or LABA, and children without a history of eczema, regardless of race or ethnicity to LABA set-up therapy. In severe persistent asthma, those with atopy and body mass index greater than or equal 25 were more likely to benefit from omalizumab. CONCLUSION: Several phenotypic characteristics, biomarkers, or pharmacogenomics markers could be useful for predicting the best drug for asthma treatment.
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 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».