Peanut oral immunotherapy in a pediatric allergy clinic: Patient factors associated with clinical outcomes
Notice bibliographique
Résumé
BACKGROUND: Additional information is needed to inform optimal patient selection, expected outcomes, and treatment end points for clinical peanut oral immunotherapy (OIT). OBJECTIVE: To provide insight into the optimal patient selection, expected outcomes, and treatment end points for clinical peanut oral immunotherapy by analyzing a real-world peanut OIT cohort. METHODS: Records were reviewed for 174 children undergoing peanut OIT at a pediatric allergy clinic. Patient age, peanut skin prick test results, and peanut-specific immunoglobulin E (sIgE) results, with inclusion of additional foods in OIT, were analyzed for correlations with OIT outcomes. RESULTS: To date, 144 patients have achieved maintenance dosing, 50 of whom transitioned to ad lib twice-weekly peanut ingestion. A total of 30 discontinued OIT. In addition, 47 patients who underwent multifood OIT had no significant difference in reactions (FDR-adjusted P = .48) or time-to-reach maintenance (FDR-adjusted P = .48) compared with those on peanut OIT alone. Age at initiation inversely correlated with achievement of maintenance: 92% of patients 0.5 to less than 5 years, 81% of those 5 to less than 11 years, and 70% of those 11 to less than 18 years reached and continued maintenance (P = .01). Baseline peanut-sIgE level positively correlated with number of reactions during updosing (P < .001) and maintenance (P = .005), though it was not significantly different in patients achieving successful maintenance vs those who discontinued OIT (P = .09). Furthermore, 66% of patients experienced greater than or equal to 1 adverse reaction during OIT. Of those on ad lib peanut ingestion, 2 reported mild reactions after lapses in peanut consumption. CONCLUSION: Clinical peanut OIT has similar outcomes to research protocols. OIT can be successful in older children and those with high peanut-sIgE levels, though these factors affect outcomes. Clinical and laboratory criteria can guide successful transition to intermittent ad lib peanut consumption.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».