Behavioural patterns in allergic rhinitis medication in Europe: A study using MASK‐air<sup>®</sup> real‐world data
Notice bibliographique
Résumé
Abstract Background Co‐medication is common among patients with allergic rhinitis (AR), but its dimension and patterns are unknown. This is particularly relevant since AR is understood differently across European countries, as reflected by rhinitis‐related search patterns in Google Trends. This study aims to assess AR co‐medication and its regional patterns in Europe, using real‐world data. Methods We analysed 2015–2020 MASK‐air ® European data. We compared days under no medication, monotherapy and co‐medication using the visual analogue scale (VAS) levels for overall allergic symptoms (‘VAS Global Symptoms’) and impact of AR on work. We assessed the monthly use of different medication schemes, performing separate analyses by region (defined geographically or by Google Trends patterns). We estimated the average number of different drugs reported per patient within 1 year. Results We analysed 222,024 days (13,122 users), including 63,887 days (28.8%) under monotherapy and 38,315 (17.3%) under co‐medication. The median ‘VAS Global Symptoms’ was 7 for no medication days, 14 for monotherapy and 21 for co‐medication ( p < .001). Medication use peaked during the spring, with similar patterns across different European regions (defined geographically or by Google Trends). Oral H 1 ‐antihistamines were the most common medication in single and co‐medication. Each patient reported using an annual average of 2.7 drugs, with 80% reporting two or more. Conclusions Allergic rhinitis medication patterns are similar across European regions. One third of treatment days involved co‐medication. These findings suggest that patients treat themselves according to their symptoms (irrespective of how they understand AR) and that co‐medication use is driven by symptom severity.
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 | 0,000 |
| 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 | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».