Heterogeneity of asthma with nasal polyposis phenotypes: A cluster analysis
Notice bibliographique
Résumé
BACKGROUND: Chronic rhinosinusitis with nasal polyposis (CRSwNP) affects a significant number of asthmatic patients and is notably associated with a more difficult-to-control asthma and marked inflammation. We need more studies on this specific asthma phenotype and its possible subphenotypes, in order to better individualize treatments. AIM: The aim of this study is to identify and characterize subphenotypes of asthma patients with CRSwNP using clinical, physiological and inflammatory variables. METHODS: K-means cluster analysis was performed on 17 clinical, physiological, and inflammatory variables from 1263 patients of all asthma severity and on a subpopulation of patients with asthma and CRSwNP. Study was registered on ClinicalTrials.gov (NCT03694847). RESULTS: On the overall population, three groups were identified. Cluster T1 (n = 708) are young, have a short asthma duration and a low prevalence of CRSwNP. Cluster T2 (n = 263) have the longest asthma duration and Cluster T3 (n = 292) are older with the shortest asthma duration. Patients in Clusters T2 and T3 have similar prevalences of CRSwNP. On the subpopulation of asthma with CRSwNP, three clusters were also identified. Cluster S1 (n = 83) have mild-to-moderate asthma with normal lung function. Clusters S2 (N = 53) and S3 (N = 42) include patients with severe asthma and decreased lung function, but those in Cluster S2 have a longer asthma duration, whereas those Cluster S3 have late-onset asthma. CONCLUSIONS: Despite coexistence of asthma and CRSwNP, not all patients have the same evolution of their asthma. Different phenotypes of asthma with CRSwNP can be identified and exploration of the characteristics of these subgroups could lead to a better individualized, targeted management.
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) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,004 | 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 ».