Eight tips for the implementation of the first licenced peanut allergy oral immunotherapy into clinical practice
Notice bibliographique
Résumé
BACKGROUND: Shared learnings from the early use of novel therapies can aid in their optimization. The recent introduction of peanut oral immunotherapy (peanut OIT; Palforzia [Peanut (Arachis hypogaea) Allergen Powder-dnfp]) for peanut allergy addresses a significant unmet need but also highlights the requirement for consideration of several factors by both prescribers and patients. OBJECTIVE: To provide guidance for prescribers of licenced peanut OIT to facilitate treatment delivery and improve outcomes. METHODS: Clinicians with experience of licenced peanut OIT (United States n = 6, United Kingdom n = 1) participated in a series of interviews and group discussions designed to elicit tips for successful implementation. RESULTS: Clinicians identified 8 tips that were considered the most relevant, practical, and impactful for prescribers of Peanut (Arachis hypogaea) Allergen Powder-dnfp: (1) preparing to provide treatment, (2) assessing the medical indication for treatment and (3) shared decision making, (4) staff education, (5) establishing office processes, (6) managing patient expectations and using anticipatory guidance, (7) optimising adherence and (8) maintaining flexibility throughout the treatment process. In addition, a range of supporting materials (e.g., checklists and action plans) are provided. CONCLUSION: The introduction of a novel therapy often requires healthcare providers to modify or adopt practices to effectively employ the treatment. The provision of guidance based upon early real-world experiences of licenced peanut OIT may help inform clinical practice and improve treatment outcomes.
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 | 0,058 | 0,150 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,009 | 0,006 |
| Communication savante | 0,008 | 0,009 |
| Science ouverte | 0,005 | 0,011 |
| Intégrité de la recherche | 0,011 | 0,014 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,002 |
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 ».