One-year Real-world Outcomes and Durability With Faricimab in Patients With Diabetic Macular Edema
Notice bibliographique
Résumé
Background and Objective: This study assessed real-world treatment patterns and 1-year outcomes among patients with diabetic macular edema (DME) initiating faricimab. Patients and Methods: FARETINA-DME is a retrospective study using data from the IRIS® Registry for patients diagnosed with DME initiating faricimab from February 2022 to March 2023. Results: Seven hundred eighty-six (786) treatment-naive patients (970 eyes) and 4,862 patients (6,728 eyes) previously treated with anti-VEGF therapy were included. Visual acuity improved by 4.5 ± 15.8 (mean ± SD) letters in treatment-naive eyes ( P < 0.001) and was maintained in previously treated eyes at injection-7. Central subfield thickness (CST) improved by −48.7 ± 82.7 μm in treatment-naive and −50.7 ± 101.1 μm in previously treated eyes (both P < 0.0001); 42.3% and 43.8% had achieved/maintained C ST ≤ 280 μm at injection-7. Dosing frequency was reduced during the second 6 months (mean 1.9 to 2.7 injections) versus the first 6 months (3.4 to 3.9) of treatment. Conclusion: One-year outcomes among patients with DME initiating faricimab in clinical practice support the real-world effectiveness and extended durability of 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 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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».