How to Define and Manage Low-Risk Drug Allergy Labels
Notice bibliographique
Résumé
Risk stratification in drug allergy implies that specific risk categories (eg, low, moderate, and high) classify historical drug hypersensitivity reactions. These risk categories can be based on reaction phenotypic characteristics, the timing of the reaction and evaluation, the required reaction management, and individual characteristics. Although a multitude of frameworks have been described in the literature, particularly for penicillin allergy labels, there has yet to be a global consensus, and approaches continue to vary between allergy centers. Immune-mediated drug allergies can sometimes be confirmed using skin testing, but a negative drug challenge is required to demonstrate tolerance and remove the allergy from the electronic health record ("delabel" the allergy). Even for quintessential IgE-mediated drug allergy, penicillin allergy, recent data reveal that a direct oral challenge, without prior skin testing, is an appropriate diagnostic strategy in those who are considered low-risk. Drug allergy pathogenesis and clinical manifestations may vary depending on the culprit drug, and as such, the optimal approach should be based on risk stratification that considers individual patient and reaction characteristics, the likely hypersensitivity reaction phenotype, the drug class, and the patient's clinical needs. This article will describe low-risk drug allergy labels, focusing on β-lactam and sulfonamide antibiotics, nonsteroidal anti-inflammatory drugs, iodinated contrast media, and common chemotherapeutics. This review will also address practical management approaches using currently available risk stratification and clinical decision tools.
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 | 0,004 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 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 | 0,001 | 0,005 |
| 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 ».