Risk Factors for Treatment Failure With Antiosteoporosis Medication: The Global Longitudinal Study of Osteoporosis in Women (GLOW)
Notice bibliographique
Résumé
Antiosteoporosis medication (AOM) does not abolish fracture risk, and some individuals experience multiple fractures while on treatment. Therefore, criteria for treatment failure have recently been defined. Using data from the Global Longitudinal Study of Osteoporosis in Women (GLOW), we analyzed risk factors for treatment failure, defined as sustaining two or more fractures while on AOM. GLOW is a prospective, observational cohort study of women aged ≥55 years sampled from primary care practices in 10 countries. Self-administered questionnaires collected data on patient characteristics, fracture risk factors, previous fractures, AOM use, and health status. Data were analyzed from women who used the same class of AOM continuously over 3 survey years and had data available on fracture occurrence. Multivariable logistic regression was used to identify independent predictors of treatment failure. Data from 26,918 women were available, of whom 5550 were on AOM. During follow-up, 73 of 5550 women in the AOM group (1.3%) and 123 of 21,368 in the non-AOM group (0.6%) reported occurrence of two or more fractures. The following variables were associated with treatment failure: lower Short Form 36 Health Survey (SF-36) score (physical function and vitality) at baseline, higher Fracture Risk Assessment Tool (FRAX) score, falls in the past 12 months, selected comorbid conditions, prior fracture, current use of glucocorticoids, need of arms to assist to standing, and unexplained weight loss ≥10 lb (≥4.5 kg). Three variables remained predictive of treatment failure after multivariable analysis: worse SF-36 vitality score (odds ratio [OR] per 10-point increase, 0.85; 95% confidence interval [CI], 0.76-0.95; p = 0.004); two or more falls in the past year (OR, 2.40; 95% CI, 1.34-4.29; p = 0.011), and prior fracture (OR, 2.93; 95% CI, 1.81-4.75; p < 0.0001). The C statistic for the model was 0.712. Specific strategies for fracture prevention should therefore be developed for this subgroup of patients.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».