Lab-Based Culprit Drug Identification Methods for Cutaneous Drug Eruptions: A Scoping Review
Notice bibliographique
Résumé
BACKGROUND: Identification of culprit drugs when managing cutaneous drug eruptions is essential. Causality assessment methods (CAMs) have been proposed, including lab-based techniques. However, no consensus guidelines exist. OBJECTIVES: To identify and map the functionality and feasibility of lab-based CAMs. METHODS: A scoping review was conducted to identify culprit drug identification methods. Publications on lab-based methods were analyzed. Medline, Embase, and Cochrane Central Register of Controlled Trials databases were searched. RESULTS: Twenty-five publications met inclusion criteria. Nine lab-based CAMs were studied, including lymphocyte transformation test, cytokine measurement (ELISpot, ELISA, beads array assay), modified IFN-ɣ ELISpot, CellScan, histamine release, granzyme B-ELISpot, intracellular granulysin, lymphocyte toxicity assay, and HLA allele genotyping. Diagnostic accuracy was reported for 8/9 methods. Clinical assessment and operational algorithms were commonly used as validation benchmarks. Lab-based methods were assessed at different phases of a drug eruption including in the acute (18.1%), recovery (27.3%), acute and recovery (27.3%), or an unspecified phase (27.3%). Lymphocyte transformation test (specificity 30% to 100%, sensitivity 27% to 73%) and cytokine measurement (specificity 76% to 100%, sensitivity 20% to 84%) were the most common methods studied. CONCLUSIONS: Lab-based CAMs can be low-risk, effective, and complementary of clinical methods. High-quality studies are needed to adequately develop and validate these tools for clinical practice.
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 | 0,006 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,006 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| 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 | 0,001 |
| 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 ».