General and Skin-Specific Health-Related Quality of Life in Patients With Atopic Dermatitis Before and During the COVID-19 Pandemic
Notice bibliographique
Résumé
BACKGROUND: Few studies have investigated health-related quality of life (HRQoL) in patients with atopic dermatitis (AD) during the COVID-19 pandemic. OBJECTIVES: The objectives of this study were to compare HRQoL in adult AD patients before and during the pandemic and to assess measurement performance of 4 HRQoL measures. METHODS: Between 2018 and 2021, a multicenter, cross-sectional survey was conducted, involving 218 adult AD patients. Health-related quality of life outcomes included the EQ-5D-5L, Skindex-16, Dermatology Life Quality Index (DLQI), and DLQI-Relevant (DLQI-R). Severity was measured using objective SCORing Atopic Dermatitis, Eczema Area and Severity Index, and Investigator Global Assessment. RESULTS: The mean ± SD EQ-5D-5L utility, Skindex-16, DLQI, and DLQI-R scores were 0.82 ± 0.22, 56.84 ± 27.46, 13.44 ± 8.46, and 13.76 ± 8.60, respectively. The patients reported more problems during the pandemic ( P < 0.05) regarding pain/discomfort (odds ratio [OR], 1.78), worrying (OR, 1.89), concerns about persistence/reoccurrence of disease (OR, 1.88), and social relationships (OR, 1.69). The HRQoL outcomes showed strong correlations with each other (range of rs , |0.69| to |0.99|). The Skindex-16, DLQI, and DLQI-R were able to discriminate between severity groups with large (η 2 = 0.20-0.23), whereas the EQ-5D-5L with moderate effect sizes (η 2 = 0.08-0.11). CONCLUSIONS: Atopic dermatitis patients experienced significantly more problems in some areas of HRQoL during the pandemic. The EQ-5D-5L, Skindex-16, DLQI, and DLQI-R demonstrated good convergent and known-group validity and can be suitable instruments for HRQoL assessment in clinical and research settings.
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 ».