Predictive Factors for Poor Responders to Tralokinumab in Moderate-to-Severe Atopic Dermatitis: A Real-World Analysis
Notice bibliographique
Résumé
Abstracts: Background: Some patients with moderate-to-severe atopic dermatitis (AD) show insufficient response to treatment with tralokinumab, an anti-interleukin-13 antibody. Identifying predictive factors for poor responders to tralokinumab can help optimize treatment strategies for AD patients. Objective: To identify predictive factors for poor responders to tralokinumab, defined as an investigator’s global assessment >2 at week 12 or 24. Methods: A prospective study was conducted from October 2023 to August 2024, including 109 Japanese patients with moderate-to-severe AD. Baseline features were compared between poor responders versus responders at week 12 or 24. Results: Poor responders at week 12 showed higher baseline eczema area and severity index (EASI), lactate dehydrogenase (LDH), and eosinophil-to-lymphocyte ratio (ELR) compared with responders. Poor responders at week 24 had older age, longer disease duration, and higher proportions of previous systemic therapies, previous dupilumab, or previous 15 mg upadacitinib treatment, compared with responders. Conclusions: Higher baseline EASI, LDH, and ELR may predict poor response to tralokinumab at week 12. Older age, longer disease duration, and previous usage of systemic therapy, dupilumab, or 15 mg upadacitinib may predict poor response to tralokinumab at week 24. AD patients with the above features may as well avoid tralokinumab treatment.
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 | 0,002 | 0,003 |
| 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 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».