Choosing the Right Biologic for the Right Patient With Severe Asthma
Notice bibliographique
Résumé
In this installment of the How I Do It series on severe asthma, we tackle the clinical conundrum of choosing the right biologic for the right patient with severe asthma. With six biologics now approved for use in this area comprising four different targeting strategies (anti-Ig E: omalizumab; anti-IL-5 and anti-IL-5-receptor: mepolizumab, reslizumab, and benralizumab; anti-IL-4-receptor: dupilumab; anti-thymic stromal lymphopoietin: tezepelumab), this question is increasingly complex. Recognizing that no head-to-head trial has compared biologics, we based our review on the expected effects of inhibiting different aspects of type 2 airway inflammation, supported whenever possible by clinical trial and real-world data. We use four variations of a case of severe uncontrolled asthma to develop concepts and considerations introduced in the previous installment ("Workup of Severe Asthma") and discuss pregnancy-related, biomarker-related, comorbidity-related, and corticosteroid dependency-related considerations when choosing a biologic. The related questions of deciding when, why, and how to switch from one biologic to another also are discussed. Overall, we consider that the choice of biologics should be based on the available clinical trial data for the desired efficacy outcomes, the biomarker profile of the patient, safety profiles (eg, when pregnancy is considered), and opportunities to target two comorbidities with one biologic. Using systemic and airway biomarkers (blood eosinophils and exhaled nitric oxide [Feno]) and other phenotypic characteristics, we suggest a framework to facilitate therapeutic decision-making. Post hoc studies and new comparative studies are needed urgently to test this framework and to determine whether it allows us to make other clinically useful predictions.
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 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».