Sublingual immunotherapy persistence and adherence in real‐world settings: A systematic review
Notice bibliographique
Résumé
BACKGROUND: Sublingual immunotherapy (SLIT) adherence in the literature is often evaluated in closely monitored trials that may impact patient behavior; real-world SLIT adherence is relatively unknown. This systematic review intends to assess SLIT adherence in studies that reflect real-world settings. METHODS: A literature search of PubMed, Embase, Cochrane, Web of Science, and Scopus for real-world studies examining SLIT adherence was performed. Monitored clinical trials were excluded. Paired investigators independently reviewed all articles. For this review, "persistence" was defined as continuing therapy and not being lost to follow-up and "adherence" as persistence in accordance with prescribed SLIT dose, dosing schedule, and duration. Article quality was assessed using a modified Newcastle-Ottawa scale and then converted to AHRQ standards (good, fair, and poor). RESULTS: The search yielded 1596 nonduplicate abstracts, from which 32 articles (n = 63,683 patients) met criteria. Twenty-six (81%) studies reported persistence rates ranging from 7.0% to 88.7%, and 18 (56%) reported adherence rates ranging from 9.6% to 97.0%. Twenty-one (66%) studies surveyed reasons for discontinuing SLIT. All studies were Oxford level of evidence 2b and of good (n = 12) to fair (n = 20) quality. CONCLUSION: Reported rates of real-world SLIT persistence and adherence varied widely by study methodology (e.g., follow-up duration, objective vs. subjective assessment). Studies with longer follow-up generally reported lower rates; 3-year persistence ranged from 7% to 59.0% and 3-year adherence from 9.6% to 49.0%. Future studies of SLIT adherence would benefit from following concordant definitions of persistence/adherence and standardized reporting metrics.
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) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 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 ».