Comparing approaches to ordering peanut component–resolved diagnostics to reduce the need for oral food challenges
Notice bibliographique
Résumé
Background: Peanut component-resolved diagnostics (peanut CRD) is a potentially valuable tool for distinguishing between anaphylactic peanut allergies and milder phenotypes, such as pollen-food allergy syndrome. However, the optimal strategy for integrating CRD into clinical practice remains unclear. Objective: This study aims to evaluate the rates of oral food challenge (OFC) when CRD is ordered: routinely for all patients, selectively on the basis of clinical characteristics, or guided by other peanut biomarkers. Methods: We compared OFC rates between 2 cohorts. Cohort 1 included patients with peanut allergy who received CRD as part of routine testing, regardless of clinical features. In cohort 2, CRD was ordered selectively, depending on factors such as older age, comorbidities, or pollen sensitization. OFC was offered at the physician's discretion in both cohorts. Later, a proposed 2-step clinical algorithm was retrospectively applied to the pooled data to determine patients eligible for OFC. Results: = 0.85). Conclusion: Offering CRD selectively on the basis of clinical characteristics and being guided by a 2-step algorithm are more efficient strategies that can reduce rates of OFC to enhance patient safety, optimize health care resource utilization, and reduce costs. As peanut-specific IgE level and CRD result correlate well, testing for Ara h 2 is likely redundant at very high and low ranges.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 |
| 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 ».