MétaCan
Menu
Retour à la cohorte
Enregistrement W4402549751 · doi:10.1007/s40257-024-00889-6

Update on Stevens–Johnson Syndrome and Toxic Epidermal Necrolysis: Diagnosis and Management

2024· review· en· W4402549751 sur OpenAlexaff
Hemali Shah, Rose Parisi, Eric Mukherjee, Elizabeth J. Phillips, Roni P. Dodiuk‐Gad

Notice bibliographique

RevueAmerican Journal of Clinical Dermatology · 2024
Typereview
Langueen
DomaineMedicine
ThématiqueDrug-Induced Adverse Reactions
Établissements canadiensUniversity of Toronto
Organismes subventionnairesNational Institute of Arthritis and Musculoskeletal and Skin DiseasesNational Human Genome Research InstituteMedical Research CouncilNational Institute of General Medical SciencesNational Institute of Allergy and Infectious DiseasesNational Health and Medical Research CouncilNational Institutes of Health
Mots-clésToxic epidermal necrolysisMedicineDermatologyPharmacotherapyErythrodermaIntensive care medicinePsychiatry

Résumé

récupéré en direct d'OpenAlex

Stevens-Johnson syndrome (SJS) and toxic epidermal necrolysis (TEN) are the most severe cutaneous adverse reactions that are typically drug-induced in adults. Both SJS and TEN have high morbidity and mortality rates. SJS/TEN imposes clinical challenges for physicians managing patients suffering from this condition, both because it is rare and because it is a rapidly progressing systemic disease with severe cutaneous, mucosal, and systemic manifestations. Although many cases of SJS/TEN have been reported in the literature, there is no consensus regarding diagnostic criteria or treatment. Significant progress has been made in understanding its genetic predisposition and pathogenesis. This review is intended to provide physicians with a comprehensive but practical SJS/TEN roadmap to guide diagnosis and management. We review data on pathogenesis, reported precipitating factors, presentation, diagnosis, and management SJS/TEN focusing on what is new over the last 5 years.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,017

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0040,003
Études des sciences et des technologies0,0000,000
Communication savante0,0010,002
Science ouverte0,0010,001
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0050,002

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.

Tête enseignante Opus0,079
Tête enseignante GPT0,442
Écart entre enseignants0,363 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations84
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAmerican Journal of Clinical DermatologyMême sujetDrug-Induced Adverse ReactionsTravaux en français237 207