Predictive Factors for Primary and Secondary Nonresponders to Upadacitinib in Patients with Moderate-to-Severe Atopic Dermatitis: A Real-World Study
Notice bibliographique
Résumé
Abstract: Background: Some patients with atopic dermatitis (AD) do not sufficiently respond to upadacitinib, a Janus kinase 1 inhibitor. However, predictive factors for nonresponders remain unclear in real-world practice. Objective: To identify predictive factors for primary and secondary nonresponders to upadacitinib 15 mg; primary nonresponders are defined as patients with investigator’s global assessment (IGA) >2 at week 12, while secondary nonresponders are defined as patients with IGA ≤2 at week 12 and IGA >2 at week 24. Methods: A prospective study was conducted from August 2021 to March 2024, involving 204 Japanese AD patients treated with upadacitinib 15 mg. Baseline clinical and laboratory indexes were compared between nonresponders and responders. Results: Primary nonresponders showed higher baseline eczema area and severity index (EASI), immunoglobulin E (IgE), thymus and activation-regulated chemokine (TARC), lactate dehydrogenase (LDH), neutrophil-to-lymphocyte ratio (NLR), C-reactive protein (CRP), systemic immune-inflammation index (SII), and systemic inflammation response index (SIRI) compared with responders. Secondary nonresponders had a higher proportion of previous systemic therapies, dupilumab, and corticosteroids. Conclusions: Higher baseline EASI, IgE, TARC, LDH, NLR, CRP, SII, and SIRI may predict primary nonresponders to upadacitinib 15 mg, while previous systemic dupilumab or corticosteroids may predict secondary nonresponders.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,001 | 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 ».