Adherence and persistence in allergen immunotherapy (APAIT): A reporting checklist for retrospective studies
Notice bibliographique
Résumé
BACKGROUND: Adherence is essential for the long-term efficacy of allergen immunotherapy (AIT) and has been evaluated in numerous retrospective studies. However, there are no published guidelines for best practice in measuring and reporting adherence or persistence to AIT, which has resulted in substantial heterogeneity among existing studies. The 'adherence and persistence in AIT (APAIT)' checklist has been developed to guide the reporting, design and interpretation of retrospective studies that evaluate adherence or persistence to AIT in clinical practice. METHODS: Five existing checklists, focussing on study protocol design, the use of retrospective databases/patient registries, and the appraisal and reporting of observational studies, were identified and merged. Relevant items were selected and tailored to be specific to AIT. The content of the checklist was discussed by 11 experts from Europe, the United States and Canada, representing allergy, healthcare and life sciences, and health technology appraisal. RESULTS: The APAIT checklist presents a set of items that should either be included or at least considered, when reporting retrospective studies that assess adherence or persistence to AIT. Items are organized into four categories comprising study objective, design and methods, data analysis, and results and discussion. The checklist highlights the need for clarity and transparency in reporting and emphasizes the importance of considering potential sources of bias in retrospective studies evaluating adherence or persistence to AIT. CONCLUSIONS: The APAIT checklist provides a pragmatic guide for reporting retrospective adherence and persistence studies in AIT. Importantly, it identifies potential sources of bias and discusses how these influence outcomes.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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) | 0,000 | 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 ».