A new way forward? Examining the potential of quantitative analysis of IgE datasets
Notice bibliographique
Résumé
BACKGROUND: Allergies constitute an important public health problem, and epidemiological data is crucial to developing strategies for its prevention and therapy. Few population-based studies are available for data on allergies and sensitization. However, as these studies are expensive and time-consuming, novel approaches are searched for. OBJECTIVES: A large monocentric IgE dataset was used to analyse quantitative sensitization data in different age and gender groups and compared the results to available epidemiological data. METHODS: A total of 14,370 patients who sought medical care at the Department for Dermatology and Allergology at the Technical University of Munich, Germany was analysed. Total IgE and sensitization measured in specific IgE levels to common food allergens and aeroallergens were compared between females and males, age groups, and the year of testing (2003-2021). RESULTS: 8283 females (57.6%) and 6087 males (42.4%) were tested. The average number of specific IgE tests per patient was 12.3 ± 11.4. Total IgE increased after birth with age and reached a peak between 4-6 years in males and 10-12 years in females. Males had higher specific IgE for all common aeroallergens (house dust mite, birch, mugwort and timothy grass pollen) and food allergens (milk protein, chicken egg white, peanut, wheat flour, cod) except for cat epithelia. Data closely reflected results of population-based studies in the literature. CONCLUSION: This study shows that, despite potential patient and test selection bias, the results of the quantitative IgE-dataset analysis closely reflect results of population-based data. Thus, as large cohorts can be examined with a minute amount of effort, this surrogate method appears promising to supplement epidemiology research.
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) | 0,001 | 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 | 0,000 |
| 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 ».