Real-world evidence on the benefits of optimal itch relief and skin clearance in atopic dermatitis management: a study from the TARGET-DERM AD registry
Notice bibliographique
Résumé
In atopic dermatitis (AD), the real-world impact of achieving itch and skin lesion treatment targets compared to partial improvement remains unclear. We assessed the relationship between itch relief (reduction in Worst Itch Numeric Rating Scale [WI-NRS]) and skin clearance (Investigator Global Assessment [IGA] 0/1) with other patient-reported outcomes. Using TARGET-DERM AD registry data on adults receiving standard-of-care treatment, we described and modeled the relationship of itch severity (Worst Itch Numeric Rating Scale [WI-NRS]) and skin lesion severity (IGA) outcomes with patient-reported (quality of life ([DLQI)], AD severity [(POEM]), sleep ([Sleep-NRS]), and skin pain [(Pain-NRS]). Among 1,920 participants (58.6% female; 54.5% Non-Hispanic White; 93.8% US; mean age 45 years), ideal outcomes (DLQI 0/1, POEM 0-2, Sleep-NRS 0/1, and Pain-NRS 0/1) were most frequent for those achieving the optimal targets for itch (WI-NRS 0/1; 52.1%, 53.7%, 57.3%, and 83.1%, respectively) and skin clearance (IGA 0/1; 44.7%, 44.3%, 44.7%, and 74.3%, respectively). The odds ratios of ideal outcomes were greatest for participants with complete or near-complete resolution of both itch and skin (DLQI 0/120.0; POEM 0-2: 41.7; Sleep-NRS: 16.1; Pain-NRS: 6.0). Achieving optimal treatment targets for both itch and skin lesion improvement markedly enhances patient-reported AD outcomes. The results of this study support using minimal disease activity criteria to assess therapeutic effectiveness.
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 | 0,032 | 0,065 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,005 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».