Incidence of adverse events related to intravenous immunoglobulin therapy in children
Notice bibliographique
Résumé
BACKGROUND: Intravenous immunoglobulin (IVIG) therapy is used in the treatment of pediatric diseases, although data about IVIG-related adverse events (IVIG-AEs) are limited. Objectives of this study were to document the incidence of IVIG-AEs in pediatric hospitalized patients and to identify risk factors for IVIG-AEs. METHODS: This retrospective cohort study included patients <18 years old who received IVIG therapy while admitted at a Canadian pediatric tertiary care center between 2016 and 2020. Patients and IVIG-perfusions characteristics were collected, as well as IVIG-AEs. Bivariate and multivariable logistic regressions were used to explore predictors of IVIG-AEs. RESULTS: We included 228 children, totaling 478 IVIG perfusions. Indications included treatment for inflammatory (52.6%), autoimmune disorders (35.5%), and immunoglobulin replacement (11.8%). A total of 213 IVIG-AEs were reported. Fever (13.6%) and headache (6.7%) were the most frequent IVIG-AEs. Most IVIG-AEs were mild (57%) or moderate (31%) in severity, but 12% were severe reactions. The following factors were predictive of IVIG-AEs in univariate analyses: older age (OR 1.14 [95% CI: 1.07-1.21]), dehydration (OR 2.55 [95% CI: 1.43-4.55]), concurrent allergies (OR 2.87 [95% CI: 1.26-6.56]), first perfusion (OR 1.53 [95% CI: 1.02-2.30]), and higher dosage (OR 2.14 [95% CI: 1.39-3.33]). Concurrent steroids decreased the risk of IVIG-AEs (OR 0.43 [95% CI: 0.19-0.96]). Older age and higher IVIG dose remained independent predictors of IVIG-AEs in multivariable analyses. CONCLUSIONS: Mild IVIG-AEs are frequent in children, and serious reactions may occur. Prospective studies are needed to confirm risk factors for IVIG-AEs and to evaluate how to best prevent them.
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) | 0,000 | 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 ».