Reduction of Artificial Tears and Use of Adjunctive Dry Eye Therapies After Lifitegrast Treatment: Evidence from Clinical and Real-World Studies
Notice bibliographique
Résumé
Purpose: To assess the frequency of patients reducing the use of artificial tears (ATs) among patients with dry eye disease (DED) following lifitegrast treatment. Patients and Methods: Two independent analyses were performed using the data from the 1-year, randomized, multicenter, Phase 3 SONATA trial and a noninterventional, real-world evidence (RWE) study conducted in patients with DED who were treated with lifitegrast in the United States and Canada. In SONATA, patients who had used ATs in the lifitegrast and placebo groups were included. The RWE study reviewed patients' electronic medical records, prescribing patterns, and practices of physicians throughout the survey. These data were then used to compare the proportion of patients using ATs in the 6-month pre-index period versus the 12-month post-index period. Results: Of 293 patients (lifitegrast, n=195; placebo, n=98) from SONATA, 107 (lifitegrast, n=64; placebo, n=43) used ATs during the on-therapy period while 186 (lifitegrast, n=131; placebo, n=55) did not. Of those not using ATs, the proportion of patients in the lifitegrast group at any time was higher (~67% [n=131]) versus placebo (~56% [n=55]); this was the case at all study time-points (Days 90, 180, 270, and 360). The RWE study included 600 patient charts (US, n=550; Canada, n=50); 75.5% (n=453) reported AT use. There was ~40% decrease in the proportion of patients using ATs as adjunct DED therapy to lifitegrast in the post-index period (n=273) versus those in the pre-index period (n=453). Conclusion: The findings show that the reliance on AT use can be gradually reduced with lifitegrast treatment, eventually leading to a reduction in disease burden.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».