Журнал «Здоровье ребенка» Том 20, №8, 2025

Актуальність. Значна поширеність безсимптомної сенсибілізації ускладнює діагностику харчової алергії (ХА), призводить до нераціональних елімінаційних дієт та надмірного використання інвазивних оральних провокаційних проб. Необхідна розробка об’єктивних прогностичних моделей, особливо для поширених, але менш вивчених алергенів, як-от лосось (Sal s 1). Мета: визначити основні клініко-анамнестичні та імунологічні фактори для побудови прогностичної моделі логістичної регресії ризику розвитку клінічних проявів при сенсибілізації до алергену β-парвальбуміну лосося (Sal s 1). Матеріали та методи. Обстежено 239 дітей від 1 до 18 років із сенсибілізацією до β-парвальбуміну лосося (Sal s 1). У пацієнтів вивчались клініко-анамнестичні дані та результати імунологічних обстежень, за допомогою моделі логістичної регресії проводилась оцінка ризику розвитку клінічних проявів харчової алергії. Попередній діагноз харчової алергії встановлювався на основі рекомендацій EAACI 2023. Результати. Серед 239 пацієнтів із сенсибілізацією до Sal s 1 клінічні прояви ХА виявлено у 144 (60,3 %). Бінарна логістична регресія, у яку після очищення було включено 10 вірогідних факторів (AUC 0,83), визначила, що найбільший позитивний вплив на ризик розвитку клінічних проявів мають: кількість молекул β-парвальбумінів, до яких чутливий пацієнт, у профілі сенсибілізації (ВШ 1,99), наявність респіраторної алергії (ВШ 1,84), 4-го класу сенсибілізації (ВШ 1,85) та атопічного дерматиту (ВШ 1,59). Найбільший захисний ефект мав 1-й клас сенсибілізації (ВШ 0,26). Висновки. Розроблена прогностична модель логістичної регресії (AUC 0,83) дозволяє оцінити індивідуальний ризик клінічних проявів харчової алергії у дітей на β-парвальбумін лосося. Ключовими прогностичними факторами є вік, ступінь сенсибілізації до Sal s 1 та чутливість до інших β-парвальбумінів, наявність атопічного дерматиту та респіраторної алергії. Ця модель може бути використана для неінвазивної стратифікації пацієнтів за ступенем ризику розвитку клінічних проявів харчової алергії та для впровадження елімінаційних заходів без проведення ризикованих провокаційних проб у дітей з високим ступенем ризику.

Background. The high prevalence of asymptomatic sensitization complicates food allergy diagnosis, leading to unnecessary elimination diets and overuse of invasive oral food challen­ges. There is a critical need to develop objective predictive scoring models, particularly for common yet less studied allergens such as salmon (Sal s 1). The purpose was to identify the main clinical-anamnestic and immunological factors for building a logistic regression predictive model of the risk of developing clinical manifestations in sensitization to the β-parvalbumin allergen of salmon (Sal s 1). Materials and methods. We examined 239 children aged 1 to 18 years with confirmed sensitization to salmon β-parvalbumin (Sal s 1). The patients’ clinical-anamnestic data and immunological test results were analyzed; using a logistic regression model, the risk of developing clinical manifestations of food allergy was assessed. A preliminary diagnosis of food allergy was established based on the EAACI 2023 guidelines. Results. Among the 239 patients sensitized to Sal s 1, clinical manifestations of food allergy were detected in 144 cases (60.3 %). Binary logistic regression, which included 10 significant factors after refinement (AUC 0.83), determined that the strongest positive predictors of clinical manifestation risk were: the number of β-parvalbumin molecules to which the patient was sensitive in the sensitization profile (OR 1.99), the presence of respiratory allergy (OR 1.84), sensitization class 4 (OR 1.85), and atopic dermatitis (OR 1.59). The strongest protective effect was found for sensitization class 1 (OR 0.26). Conclusions. The developed logistic regression predictive model (AUC 0.83) allows for the assessment of individual risk for clinical manifestations of food allergy in children sensitized to salmon β-parvalbumin. Key prognostic factors include age, the degree of Sal s 1 sensitization, sensitivity to other β-parvalbumins, the pre­sence of atopic dermatitis, and respiratory allergy. This model can be used for non-invasive stratification of patients based on the risk level of developing clinical manifestations of food allergy, allowing for the implementation of elimination measures without risky provocative challenges in high-risk children.

харчова алергія; сенсибілізація до риби; логістична регресія; діти; атопічні стани; прогнозування ризиків

food allergy; fish sensitization; logistic regression; children; atopic conditions; risk prediction

1. Wang HT, Zhang J, Cui YL, Wang BL. Epidemiology of food allergy in children in China: a systematic review. J Asthma Allergy. 2020;13:427-434. doi: 10.2147/JAA.S268601.
2. Santos AF, Riggioni C, Ciani M, et al. EAACI guidelines on the diagnosis of IgE-mediated food allergy. Allergy. 2023;78(10):2554-2576. doi: 10.1111/all.15856.
3. Hamilton RG. Allergic sensitization is a key risk factor for but not synonymous with allergic disease. J Allergy Clin Immunol. 2014;134(2):360-361. doi: 10.1016/j.jaci.2014.02.022.
4. Adkinson NF Jr, Hamilton RG. Clinical history-driven diagnosis of allergic diseases: utilizing in vitro IgE testing. J Allergy Clin Immunol Pract. 2015;3(6):871-876. doi: 10.1016/j.jaip.2015.08.002.
5. Dramburg S., EAACI Molecular Allergology User’s Guide 2.0. Pediatr Allergy Immunol. 2023;34(Suppl 28):e13854. doi: 10.1111/pai.13854.
6. Riggioni C, Ricci C, Moya B, et al. Systematic review and meta-analyses on the accuracy of diagnostic tests for IgE-mediated food allergy. Allergy. 2024;79:324-352. doi: 10.1111/all.15939.
7. Yörüsün G, Dere R, Irmak Celik H, et al. Determining specific IgE cutoff values to predict reactions in oral food challenges for cow’s milk allergy using the Immulite system. Allergol Immunopathol (Madr). 2025;53(6):7-13. doi: 10.15586/aei.v53i6.1422.
8. Kim M, Lee JY, Lee S, et al. Diagnostic decision points of specific immunoglobulin E concentrations for seafood allergies in Korean children: a nationwide multicenter study. Allergy Asthma Immunol Res. 2025;17(1):127-134. doi: 10.4168/aair.2025.17.1.127.
9. Datema MR. Component-resolved diagnosis and beyond: multivariable regression models to predict severity of hazelnut allergy. Allergy. 2018;73(3):549-559. doi: 10.1111/all.13328.
10. Marushko YV, Halushko BL, Yuriev CD, Hyshchak TV. Sensitization profile to house dust mite allergens in children with allergies in Ukraine. Modern Pediatr Ukr. 2022;(126):30-36. doi: 10.15574/SP.2022.126.30.
11. Marushko Y, Halushko B, Moskovenko O, Chmil A. Frequency of sensitisation and assessment of specific immunoglobulin E to fish, shellfish and crustacean allergens in children depending on age and clinical manifestations. Childs Health. 2025;20(6):441-448. doi: 10.22141/2224-0551.20.6.2025.1903.
12. Marushko Y, Halushko B, Moskovenko O, Chmil A. Sensitisation to fish, crustaceans and molluscs in children with allergic conditions: clinical, laboratory and age-related features. Childs Health. 2025;20(3):189-196. doi: 10.22141/2224-0551.20.3.2025.1828.
13. Marushko YV, Moskovenko OD, Chmil AI, Halushko BL. Profile of sensitization to fish and seafood allergens in children with allergic conditions in different regions of Ukraine. Modern Pediatr Ukr. 2024;6(142):50-59. doi: 10.15574/SP.2024.6(142).5059.
14. Marushko YV, Moskovenko OD, Chmil AI. Structure of sensitization to fish and seafood in children. Modern Pediatr Ukr. 2024;1(137):14-22. doi: 10.15574/SP.2024.137.14.
15. Wasserman RL. A diagnostic approach to IgE-mediated food allergy: a practical algorithm. J Food Allergy. 2024;6(1):15-20. doi: 10.2500/jfa.2024.6.240007.
16. Lyons SA, et al. Walnut allergy across Europe: distribution of allergen sensitization patterns and prediction of severity. J Allergy Clin Immunol Pract. 2021;9(1):225-235.e10. doi: 10.1016/j.jaip.2020.08.051.
17. Calvani M, Bianchi A, Reginelli C, et al. Oral food challenge. Medicina (Kaunas). 2019;55(10):651. doi: 10.3390/medicina55100651.
18. Bird JA, Leonard S, Groetch M, et al. Conducting an oral food challenge: an update to the 2009 adverse reactions to foods committee work group report. J Allergy Clin Immunol Pract. 2020;8(1):75-90.e17. doi: 10.1016/j.jaip.2019.09.029.
19. Lopata AL, Zoccoli M. Parvalbumin and other fish allergens. Clin Exp Allergy. 2017;47(Suppl 4):25-30. doi: 10.1111/cea.13018.
20. Vereda A, Van Gasse AL, Uriel M, et al. Multicentre prospective study on the diagnostic value of molecular component-resolved diagnosis in fish allergy. Clin Exp Allergy. 2020;50(3):362-371. doi: 10.1111/cea.13570.
21. Wai CYY, Leung NYH, Leung ASY, et al. Fish allergenicity ladder and parvalbumin epitopes for predicting clinical cross-reactivity and reintroduction in Chinese population. Allergy. 2025;80(10):2810-2823. doi: 10.1111/all.16562.
22. De Faria E, Hentges O, Bessa R, et al. Sex-specific risk factors for food allergy in children. Allergy. 2021;76(1):238-246. doi: 10.1111/all.14532.
23. Hekking-Weijma I, de Jong NW, Koppelman GH, et al. Predictors of food allergy in children: the PIAMA birth cohort study. Pediatr Allergy Immunol. 2021;32(7):1501-1509. doi: 10.1111/pai.13524.
24. Turner PJ, Ballmer-Weber BK, Knulst AC, et al. Predictors of clinical reactivity and severity in fish allergy: a systematic review. Allergy. 2021;76(7):1987-1996. doi: 10.1111/all.14815.
25. Yang L, Lin Z, Gao T, Wang P, Wang G. The role of skin-gut-lung microbiome in allergic diseases. J Allergy Clin Immunol Pract. 2025;13(8):1935-1942.e4. doi: 10.1016/j.jaip.2025.04.041.
26. Schneider L, Hanifin J, Boguniewicz M, et al. Study of the atopic march: development of atopic comorbidities. Pediatr Dermatol. 2016;33(4):388-398. doi: 10.1111/pde.12867.
27. Pattarakiatjaroen M, Yuenyongviwat A, Sangsupawanich P. Development of a clinical predictive score for allergic reactions during oral food challenges in pediatric patients. PLoS ONE. 2025;20(4):e0322152. doi: 10.1371/journal.pone.0322152. 
28. DunnGalvin A, Daly D, Cullinane C, et al. Highly accurate prediction of food challenge outcome using routinely available clinical data. J Allergy Clin Immunol. 2011;127(3):633-9.e1-3. doi: 10.1016/j.jaci.2010.12.004. 
29. Zhang J, Lee D, Jungles K, Shaltis D, Najarian K, Ravikumar R, Sanders G, Gryak J. Prediction of oral food challenge outcomes via ensemble learning. Inform Med Unlocked. 2023;36:101142. doi: 10.1016/j.imu.2022.101142.