Comparison of rhinitis treatments using <scp>MASK</scp>‐air® data and considering the minimal important difference
Notice bibliographique
Résumé
BACKGROUND: Different treatments exist for allergic rhinitis (AR), including pharmacotherapy and allergen immunotherapy (AIT), but they have not been compared using direct patient data (i.e., "real-world data"). We aimed to compare AR pharmacological treatments on (i) daily symptoms, (ii) frequency of use in co-medication, (iii) visual analogue scales (VASs) on allergy symptom control considering the minimal important difference (MID) and (iv) the effect of AIT. METHODS: We assessed the MASK-air® app data (May 2015-December 2020) by users self-reporting AR (16-90 years). We compared eight AR medication schemes on reported VAS of allergy symptoms, clustering data by the patient and controlling for confounding factors. We compared (i) allergy symptoms between patients with and without AIT and (ii) different drug classes used in co-medication. RESULTS: We analysed 269,837 days from 10,860 users. Most days (52.7%) involved medication use. Median VAS levels were significantly higher in co-medication than in monotherapy (including the fixed combination azelastine-fluticasone) schemes. In adjusted models, azelastine-fluticasone was associated with lower average VAS global allergy symptoms than all other medication schemes, while the contrary was observed for oral corticosteroids. AIT was associated with a decrease in allergy symptoms in some medication schemes. A difference larger than the MID compared to no treatment was observed for oral steroids. Azelastine-fluticasone was the drug class with the lowest chance of being used in co-medication (adjusted OR = 0.75; 95% CI = 0.71-0.80). CONCLUSION: Median VAS levels were higher in co-medication than in monotherapy. Patients with more severe symptoms report a higher treatment, which is currently not reflected in guidelines.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 |
| 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 ».