Effectiveness of tofacitinib in patients with ulcerative colitis: an updated systematic review and meta-analysis of real-world studies
Notice bibliographique
Résumé
OBJECTIVES: This study aimed to evaluate the real-world effectiveness of tofacitinib for treating moderate-to-severe ulcerative colitis (UC). DESIGN: Systematic review and meta-analysis. DATA SOURCES: PubMed, EMBASE and Cochrane CENTRAL databases were searched from inception up to 18 July 2023. Reference lists of included studies were manually searched to identify potentially relevant studies not found in the databases. ELIGIBILITY CRITERIA: Eligible studies included real-world observational studies, reported in English, on patients with moderate-to-severe UC treated with tofacitinib, defined by the Partial Mayo Score. Excluded were clinical trials, reviews, letters, conference abstracts, case reports and studies involving patients with mixed Crohn's disease. DATA EXTRACTION AND SYNTHESIS: Two independent reviewers extracted data and recorded it in Excel. Quality assessment was performed using the Newcastle-Ottawa scale. Meta-analysis was performed using random-effects models due to high heterogeneity across studies. RESULTS: 19 studies containing a total of 2612 patients were included. Meta-analysis revealed that clinical response rates were 58% at week 8, 61% at weeks 12-16, 51% at weeks 24-26 and 51% at week 52. Clinical remission rates were 39% at week 8, 43% at weeks 12-16, 40% at weeks 24-26 and 43% at week 52. Corticosteroid-free clinical remission rates were 33% at week 8, 37% at weeks 12-16, 32% at weeks 24-26 and 40% at week 52. CONCLUSION: This meta-analysis of real-world studies indicates that treatment of UC with tofacitinib is associated with favourable clinical response and remission rates in the induction and maintenance phases.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,008 | 0,001 |
| 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 | 0,001 |
| 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 ».