Predictive Modeling of Immunogenicity to Botulinum Toxin A Treatments for Glabellar Lines
Notice bibliographique
Résumé
BACKGROUND: Botulinum toxin A (BoNT-A), derived from Clostridium botulinum , is widely used in medical and aesthetic treatments. Its clinical application extends from managing chronic conditions like cervical dystonia and migraine to reducing facial wrinkles. Despite its efficacy, a challenge associated with BoNT-A therapy is immunogenicity, where the immune system produces neutralizing antibodies (NAbs) against BoNT-A, reducing its effectiveness over time. This issue is important for patients requiring repeated treatments. The authors compared BoNT-A products, examining the factors influencing NAb development using advanced machine-learning techniques. METHODS: The authors analyzed data from randomized controlled trials involving 5 main BoNT-A products. Trials were selected on the basis of detailed reports of immunogenic responses to these treatments, particularly for glabellar lines. Machine-learning models, including logistic regression, random forest classifiers, and Bayesian logistic regression, were used to assess how treatment specifics and BoNT-A product types affect the development of NAbs. RESULTS: Analysis of 14 studies with 8190 participants revealed that dosage and treatment frequency are key factors influencing the risk of NAb development. Among BoNT-A products, incobotulinumtoxinA shows the lowest, and abobotulinumtoxinA, the highest likelihood of inducing NAbs. The machine-learning and logistic regression findings indicated that treatment planning must consider these variables to minimize immunogenicity. CONCLUSIONS: The study underscores the importance of understanding BoNT-A immunogenicity in clinical practice. By identifying the main predictors of NAb development and differentiating the immunogenic potential of BoNT-A products, the research provides insights for clinicians in optimizing treatment strategies. It highlights the need for careful treatment customization to reduce immunogenic risks, advocating for further research into the mechanisms of BoNT-A immunogenicity.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,000 | 0,000 |
| 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 ».