Pathogenesis, immunology, and immune‐targeted management of the multisystem inflammatory syndrome in children (MIS‐C) or pediatric inflammatory multisystem syndrome (PIMS): EAACI Position Paper
Notice bibliographique
Résumé
Multisystem inflammatory syndrome in children (MIS-C) is a rare, but severe complication of coronavirus disease 2019 (COVID-19). It develops approximately 4 weeks after severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2) infection and involves hyperinflammation with multisystem injury, commonly progressing to shock. The exact pathomechanism of MIS-C is not known, but immunological dysregulation leading to cytokine storm plays a central role. In response to the emergence of MIS-C, the European Academy of Allergy and Clinical Immunology (EAACI) established a task force (TF) within the Immunology Section in May 2021. With the use of an online Delphi process, TF formulated clinical statements regarding immunological background of MIS-C, diagnosis, treatment, follow-up, and the role of COVID-19 vaccinations. MIS-C case definition is broad, and diagnosis is made based on clinical presentation. The immunological mechanism leading to MIS-C is unclear and depends on activating multiple pathways leading to hyperinflammation. Current management of MIS-C relies on supportive care in combination with immunosuppressive and/or immunomodulatory agents. The most frequently used agents are systemic steroids and intravenous immunoglobulin. Despite good overall short-term outcome, MIS-C patients should be followed-up at regular intervals after discharge, focusing on cardiac disease, organ damage, and inflammatory activity. COVID-19 vaccination is a safe and effective measure to prevent MIS-C. In anticipation of further research, we propose a convenient and clinically practical algorithm for managing MIS-C developed by the Immunology Section of the EAACI.
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 | 0,000 |
| Bibliométrie | 0,001 | 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) | 0,000 | 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 ».