Clinical outcomes of immunoglobulin treatment for patients with secondary antibody deficiency: Data from the Ontario immunoglobulin treatment case registry
Notice bibliographique
Résumé
BACKGROUND: Despite the increasing number of cases of secondary antibody deficiency (SAD) and immunoglobulin (Ig) utilization, there is a paucity of data in the literature on clinical and patient-reported outcomes in this population. OBJECTIVE: To describe immunoglobulin utilization patterns, clinical and patient-reported outcomes in patients with SAD on immunoglobulin replacement therapy (IgRT). METHODS: A cross-sectional study of patients with secondary antibody deficiency enrolled in the Ontario Immunoglobulin Treatment (ONIT) Case Registry from June 2020 to September 2022 was completed. Demographics, comorbidities, indications for immunoglobulin treatment, clinical infections at baseline and post IgRT, and patient-reported outcomes were collected and analyzed. RESULTS: There were 140 patients (58 males; 82 females; median age 68) with SAD during the study period; 131 were on subcutaneous Ig (SCIG) and 9 were on intravenous Ig (IVIG). The most common indication was chronic lymphocytic leukemia (CLL) (N = 52). IgRT reduced the average annual number of infections by 82.6%, emergency room (ER) visits by 84.6%, and hospitalizations by 83.3%. Overall, 84.6% of patients reported their health as better compared to before IgRT. Among those patients who switched from IVIG to SCIG (N = 35), 33.3% reported their health as the same, and 62.9% reported their health as better. CONCLUSIONS: This study demonstrates that IgRT significantly improved clinical outcomes and patient-reported general health state in patients with SAD. This study also further supports the use of SCIG in patients with SAD.
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 | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».