Patient outcomes associated with subcutaneous C1INH prophylaxis for hereditary angioedema: a retrospective analysis
Notice bibliographique
Résumé
BACKGROUND: Real-world data on subcutaneous C1INH (C1INH[SC]) usage and patient-level impacts on hereditary angioedema (HAE)-related outcomes and quality of life (QoL) are both lacking and challenging to generate using conventional study methodologies. Using a hybrid study design involving patient interviews supplemented by retrospective medical chart data review, we conducted a real-world assessment of the impact of C1INH(SC) prophylaxis on HAE attack patterns, QoL, and on-demand medication use. METHODS: The study was conducted at seven US sites and included 36 adults with HAE who had been treated with C1INH(SC) long-term prophylaxis following ≥ 12 months of on-demand management only. Patients underwent 30-min interviews, facilitated and analyzed by a trained qualitative research specialist. Medical records were reviewed for 12 months before (pre-index) and after (post-index) initiation of C1INH(SC). Using interview data with descriptive terms converted to numerical values, we compared pre- versus post-index attack frequency, severity, and rescue medication usage. RESULTS: Mean (SD) annualized attack frequency per patient decreased 82.0%, from 38.8 (38.8) attacks/year pre-index to 7.0 (15.3) attacks/year (P < 0.001); the median number of attacks decreased by 97.0% (30 pre-index to 1 post-index). For 20 patients, the annualized attack rate after starting C1INH(SC) prophylaxis was ≤ 1 attack/year; 12 of these patients reported 0 attacks. Mean (SD) attack severity (scale: 0 = none/mild to 4 = very severe) decreased from 2.3 (0.7) pre-index to 0.9 (0.9) post-index (P < 0.001). Mean/median rescue medication use decreased by 77.2%/96.3%. Improved QoL was narratively described for many domains. CONCLUSIONS: These real-world findings indicate that long-term prophylaxis with C1INH(SC) markedly improves important factors that contribute to the goal of achieving total disease control and normalization of patients' lives, including fewer and less severe attacks, less rescue medication usage, and improved QoL.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».