Patient‐centered digital biomarkers for allergic respiratory diseases and asthma: The <scp>ARIA‐EAACI</scp> approach – ARIA‐EAACI Task Force Report
Notice bibliographique
Résumé
Biomarkers for the diagnosis, treatment and follow-up of patients with rhinitis and/or asthma are urgently needed. Although some biologic biomarkers exist in specialist care for asthma, they cannot be largely used in primary care. There are no validated biomarkers in rhinitis or allergen immunotherapy (AIT) that can be used in clinical practice. The digital transformation of health and health care (including mHealth) places the patient at the center of the health system and is likely to optimize the practice of allergy. Allergic Rhinitis and its Impact on Asthma (ARIA) and EAACI (European Academy of Allergy and Clinical Immunology) developed a Task Force aimed at proposing patient-reported outcome measures (PROMs) as digital biomarkers that can be easily used for different purposes in rhinitis and asthma. It first defined control digital biomarkers that should make a bridge between clinical practice, randomized controlled trials, observational real-life studies and allergen challenges. Using the MASK-air app as a model, a daily electronic combined symptom-medication score for allergic diseases (CSMS) or for asthma (e-DASTHMA), combined with a monthly control questionnaire, was embedded in a strategy similar to the diabetes approach for disease control. To mimic real-life, it secondly proposed quality-of-life digital biomarkers including daily EQ-5D visual analogue scales and the bi-weekly RhinAsthma Patient Perspective (RAAP). The potential implications for the management of allergic respiratory diseases were proposed.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 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 | 0,001 | 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 ».