MétaCan
Menu
Retour à la cohorte
Enregistrement W4308054751 · doi:10.1111/all.15574

Consistent trajectories of rhinitis control and treatment in 16,177 weeks: The <scp>MASK</scp>‐air® longitudinal study

2022· article· en· W4308054751 sur OpenAlexaff
Bernardo Sousa‐Pinto, Holger J. Schünemann, Ana Sá‐Sousa, Rafael José Vieira, Rita Amaral, Josep M. Antó, Ludger Klimek, Joaquim Mullol, Oliver Pfaar, Anna Bedbrook, Luisa Brussino, Violeta Kvedarienė, Désirée Larenas‐Linnemann, Yoshitaka Okamoto, Maria Teresa Ventura, Ioana Agache, Ignacio J. Ansotegui, Karl‐Christian Bergmann, Sinthia Bosnic‐Anticevich, Giorgio Walter Canonica, Victória Cardona, Pedro Martins, Thomas B. Casale, Lorenzo Cecchi, Tomás Chivato, Derek K. Chu, Cemal Cingi, Elı́sio Costa, Álvaro A. Cruz, Stefano Del Giacco, Philippe Devillier, Patrik Eklund, Wytske J. Fokkens, Bilun Gemicioğlu, Tari Haahtela, Juan Carlos Ivancevich, Zhanat Ispayeva, Marek Jutel, Piotr Kuna, Ігор Петрович Кайдашев, Musa Khaitov, Helga Kraxner, Daniel Laune, Brian J. Lipworth, Renaud Louis, Μichael Μakris, Riccardo Monti, Mário Morais‐Almeida, Ralph Mösges, Marek Niedoszytko, Nikolaos G. Papadopoulos, Vincenzo Patella, N. Pham‐Thi, Frederico S. Regateiro, Sietze Reitsma, Philip W. Rouadi, Bolesław Samoliński, Aziz Sheikh, Milan Sova, Ana Todo‐Bom, Luís Taborda‐Barata, Sanna Toppila‐Salmi, J. Sastre, Ioanna Tsiligianni, Arūnas Valiulis, Olivier Vandenplas, Dana Wallace, Susan Waserman, Arzu Yorgancıoğlu, Mihaela Zidarn, Torsten Zuberbier, João Fonseca, Jean Bousquet

Notice bibliographique

RevueAllergy · 2022
Typearticle
Langueen
DomaineMedicine
ThématiqueAllergic Rhinitis and Sensitization
Établissements canadiensMcMaster UniversityMcMaster University Medical CentreImpact
Organismes subventionnairesnon disponible
Mots-clésMedicineCluster analysisInternal medicineComputer science

Résumé

récupéré en direct d'OpenAlex

INTRODUCTION: Data from mHealth apps can provide valuable information on rhinitis control and treatment patterns. However, in MASK-air®, these data have only been analyzed cross-sectionally, without considering the changes of symptoms over time. We analyzed data from MASK-air® longitudinally, clustering weeks according to reported rhinitis symptoms. METHODS: We analyzed MASK-air® data, assessing the weeks for which patients had answered a rhinitis daily questionnaire on all 7 days. We firstly used k-means clustering algorithms for longitudinal data to define clusters of weeks according to the trajectories of reported daily rhinitis symptoms. Clustering was applied separately for weeks when medication was reported or not. We compared obtained clusters on symptoms and rhinitis medication patterns. We then used the latent class mixture model to assess the robustness of results. RESULTS: We analyzed 113,239 days (16,177 complete weeks) from 2590 patients (mean age ± SD = 39.1 ± 13.7 years). The first clustering algorithm identified ten clusters among weeks with medication use: seven with low variability in rhinitis control during the week and three with highly-variable control. Clusters with poorly-controlled rhinitis displayed a higher frequency of rhinitis co-medication, a more frequent change of medication schemes and more pronounced seasonal patterns. Six clusters were identified in weeks when no rhinitis medication was used, displaying similar control patterns. The second clustering method provided similar results. Moreover, patients displayed consistent levels of rhinitis control, reporting several weeks with similar levels of control. CONCLUSIONS: We identified 16 patterns of weekly rhinitis control. Co-medication and medication change schemes were common in uncontrolled weeks, reinforcing the hypothesis that patients treat themselves according to their symptoms.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,031
Score d'incertitude au seuil0,478

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,024
Tête enseignante GPT0,253
Écart entre enseignants0,229 · 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 tête enseignante, pas un consensus.

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

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

En bref

Citations21
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAllergyMême sujetAllergic Rhinitis and SensitizationTravaux en français237 207