Optimized Treatment of Interleukin (IL-1)-Mediated Autoinflammatory Diseases: Impact of Disease Activity-Based Treatment Adjustments
Notice bibliographique
Résumé
Background: Effective control of disease activity in Interleukin-1 autoinflammatory diseases (IL-1 AID) is crucial to prevent damage. The aim was to longitudinally analyze the impact of protocolized disease activity-based treatment adjustments in a real-life cohort. Methods: A single-center study of consecutive children with IL-1 AID followed between January 2016 and December 2019 was performed. Demographics, phenotypes, genotypes, inflammatory markers, physician (PGA), and patient/parent (PPGA) global assessment were captured. Disease activity and treatment changes were assessed. The impact of distinct parameters on disease activity trajectories was analyzed. Results: A total of 56 children were included, median follow-up was 2.1 years reflecting 361 visits. Familial Mediterranean Fever was the most common IL-1 AID. At the first visit, 68% of the patients had moderate/severe disease activity. Disease activity-based treatment adjustments were required in 28/56 children (50%). At last follow-up, 79% had a well-controlled disease. Both PGA and PPGA decreased significantly over time (p < 0.001; p < 0.017, respectively), however, both differed statistically at last visit (p < 0.001). Only PGA showed a significant estimated mean decrease across all IL-1 AID over time. Conclusions: Disease activity-based treatment adjustments can effectively refine treat-to-target strategies, enable personalized precision health approaches, and improve outcomes in children with IL-1 AID.
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 | 0,005 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».