MétaCan
Menu
Retour à la cohorte
Enregistrement W4298149778 · doi:10.1016/j.jaci.2022.09.020

Allergen immunotherapy for atopic dermatitis: Systematic review and meta-analysis of benefits and harms

2022· review· en· W4298149778 sur OpenAlexafffund
Juan José Yepes-Núñez, Gordon Guyatt, Luis G. Gómez-Escobar, Lucía C. Pérez-Herrera, A. Chu, Renata Ceccaci, Ana Sofía Acosta-Madiedo, Aaron Wen, Margaret MacDonald, Mónica Barrios, Xiajing Chu, Nazmul Islam, Ya Gao, Melanie Wong, Rachel Couban, Elizabeth García, Edgardo Chapman, Paul Oykhman, Lina Chen, Tonya Winders, Rachel N. Asiniwasis, Mark Boguniewicz, Anna De Benedetto, Kathy Ellison, Winfred Frazier, Matthew Greenhawt, Joey Huynh, Elaine Kim, Jennifer LeBovidge, Mary Laura Lind, Peter Lio, Stephen A. Martin, Monica O’Brien, Peck Y. Ong, Jonathan I. Silverberg, Jonathan M. Spergel, Julie Wang, Kathryn E. Wheeler, Lynda C. Schneider, Derek K. Chu

Notice bibliographique

RevueJournal of Allergy and Clinical Immunology · 2022
Typereview
Langueen
DomaineMedicine
ThématiqueDermatology and Skin Diseases
Établissements canadiensSt. Joseph’s Healthcare HamiltonToronto Public HealthUniversity of SaskatchewanMcMaster UniversityUniversity of OttawaHamilton Health SciencesImpact
Organismes subventionnairesNational Institutes of HealthMcMaster UniversityTeva Pharmaceutical Industries
Mots-clésMedicineAtopic dermatitisRelative riskAllergen immunotherapyAllergyAsthmaRandomized controlled trialGuidelineConfidence intervalAdverse effectQuality of life (healthcare)MEDLINEImmunologyInternal medicineAllergenPathology

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Atopic dermatitis (AD, eczema) is driven by a combination of skin barrier defects, immune dysregulation, and extrinsic stimuli such as allergens, irritants, and microbes. The role of environmental allergens (aeroallergens) in triggering AD remains unclear. OBJECTIVE: We systematically synthesized evidence regarding the benefits and harms of allergen immunotherapy (AIT) for AD. METHODS: As part of the 2022 American Academy of Allergy, Asthma & Immunology/American College of Allergy, Asthma and Immunology Joint Task Force on Practice Parameters AD Guideline update, we searched the MEDLINE, EMBASE, CENTRAL, CINAHL, LILACS, Global Resource for Eczema Trials, and Web of Science databases from inception to December 2021 for randomized controlled trials comparing subcutaneous immunotherapy (SCIT), sublingual immunotherapy (SLIT), and/or no AIT (placebo or standard care) for guideline panel-defined patient-important outcomes: AD severity, itch, AD-related quality of life (QoL), flares, and adverse events. Raters independently screened, extracted data, and assessed risk of bias in duplicate. We synthesized intervention effects using frequentist and Bayesian random-effects models. The GRADE approach determined the quality of evidence. RESULTS: Twenty-three randomized controlled trials including 1957 adult and pediatric patients sensitized primarily to house dust mite showed that add-on SCIT and SLIT have similar relative and absolute effects and likely result in important improvements in AD severity, defined as a 50% reduction in SCORing Atopic Dermatitis (risk ratio [95% confidence interval] 1.53 [1.31-1.78]; 26% vs 40%, absolute difference 14%) and QoL, defined as an improvement in Dermatology Life Quality Index by 4 points or more (risk ratio [95% confidence interval] 1.44 [1.03-2.01]; 39% vs 56%, absolute difference 17%; both outcomes moderate certainty). Both routes of AIT increased adverse events (risk ratio [95% confidence interval] 1.61 [1.44-1.79]; 66% with SCIT vs 41% with placebo; 13% with SLIT vs 8% with placebo; high certainty). AIT's effect on sleep disturbance and eczema flares was very uncertain. Subgroup and sensitivity analyses were consistent with the main findings. CONCLUSIONS: SCIT and SLIT to aeroallergens, particularly house dust mite, can similarly and importantly improve AD severity and QoL. SCIT increases adverse effects more than SLIT. These findings support a multidisciplinary and shared decision-making approach to optimally managing AD.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,007
score de la tête « metaresearch » (Gemma)0,016
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Méta-analyse · Signal consensuel: Méta-analyse
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,018
Score d'incertitude au seuil0,040

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0070,016
Méta-épidémiologie (sens strict)0,0030,002
Méta-épidémiologie (sens large)0,0180,033
Bibliométrie0,0030,003
Études des sciences et des technologies0,0000,001
Communication savante0,0030,002
Science ouverte0,0020,002
Intégrité de la recherche0,0030,003
Charge utile insuffisante (le modèle a refusé de juger)0,0050,000

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.

Tête enseignante Opus0,128
Tête enseignante GPT0,409
Écart entre enseignants0,281 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeMéta-analyse
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations92
Publié2022
Routes d'admission2
Résumé présentnon

Explorer davantage

Même revueJournal of Allergy and Clinical ImmunologyMême sujetDermatology and Skin DiseasesTravaux en français237 207