Impfempfehlungen beim Multiplen Myelom: ein Konsensbericht des European Myeloma Network
Bibliographic record
Abstract
Bei der Impfung handelt es sich um eine der erfolgreichsten medizinischen Maßnahmen, die bereits Millionen von Menschen das Leben gerettet hat. Die Impfung ist besonders wichtig bei Patienten mit einem Multiplen Myelom, deren Infektionsrisiko aufgrund der krankheitsinhärenten Immunsuppression sowie der immunsuppressiven Wirkung der Therapie erhöht ist. Daher sollten alle geeigneten Maßnahmen ergriffen werden, um eine wirksame Immunantwort gegen weitverbreitete Krankheitserreger wie Influenza, Pneumokokken, das Varicella-Zoster-Virus sowie gegen Bakterien und Viren (Haemophilus influenzae, Meningokokken und Hepatitis), die häufig ein erhebliches Risiko für Patienten mit einem Multiplen Myelom darstellen, anzuregen. Patienten nach autologer und insbesondere nach allogener Transplantation haben stark reduzierte Antikörpertiter und benötigen daher ein breiteres Impfspektrum. Die Impfreaktion ist bei Myelom-Patienten oft weniger stark ausgeprägt als in der Allgemeinbevölkerung, sodass entweder die Messung der Antikörpertiter nach der Impfung und/oder eine Wiederholungsimpfung erforderlich ist. In dieser Arbeit stellen wir die Daten zusammen, die zur Impfung von Patienten mit Multiplem Myelom existieren, und geben Empfehlungen für die klinische Praxis.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.005 | 0.005 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.003 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.008 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".