Outcome of a de-labelling algorithm compared with results of penicillin (β-lactam) allergy testing
Notice bibliographique
Résumé
BACKGROUND: Penicillin allergy labels frequently impede guideline-directed treatment with a penicillin or other β-lactam antibiotics. Despite presumed allergy, targeted questioning may indicate a low probability of sensitization and permit reasonably safe administration of the antibiotic in question. In this study, we evaluated a standardized algorithm aiming to differentiate non-allergic patients from those with true allergic β-lactam hypersensitivity. METHODS: We retrospectively applied a de-labelling algorithm in 800 consecutive patients with suspected β-lactam hypersensitivity. All had undergone complete allergy work-up permitting to definitely exclude or diagnose β-lactam allergy between 2009 and 2019. RESULTS: In 595 (74.4%) out of 800 cases evaluated, β-lactam allergy could be excluded by negative challenge testing. IgE-mediated anaphylaxis was diagnosed in 70 (8.7%) patients, delayed-type hypersensitivity in 135 (16.9%). In 62 (88.6%) anaphylaxis cases, the algorithm correctly advised to use an alternative antibiotic. Accuracy was higher in patients with moderate to severe anaphylaxis (97.7%) compared to those with a history of mild reactions (73.1%). The algorithm correctly identified 122 (90.4%) patients with proven delayed-type hypersensitivity. It permitted de-labelling in 330 (55.5%) out of 595 patients with diagnostic exclusion of penicillin hypersensitivity, but failed to identify the remaining 265 (44.5%) as low-risk cases. CONCLUSIONS: The algorithm detected 89.8% of cases with penicillin (β-lactam) allergy, sensitivity was optimal for moderate to severe anaphylaxis. Study data justify the implementation of a standardized de-labelling algorithm under close supervision in order to permit guideline-directed treatment and reduce the use of broad-spectrum antibiotics as part of an antibiotic stewardship program.
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 | 0,000 |
| 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 ».