Summarizing disease features over time: I. Adjusted mean SLEDAI derivation and application to an index of disease activity in lupus.
Notice bibliographique
Résumé
OBJECTIVE: To develop a measurement of lupus disease activity over time. METHODS: We studied patients from the University of Toronto Lupus Clinic with "regular" followup, defined as having been in the clinic for at least 3 visits and never having been away from the clinic for a period exceeding 18 consecutive months. For each visit, disease activity was evaluated with the Systemic Lupus Erythematosus Disease Activity Index 2000 (SLEDAI-2K). The common approach to summarize over multiple visits by calculating a mean ignores the presence of varying time intervals between visits. We used the adjusted mean SLEDAI-2K (AMS), determined by the calculation of the area under the curve of SLEDAI-2K over time by adding the area of each of the blocks of visit interval and then dividing by the length of time for the whole period. The resulting AMS has the same units as the original SLEDAI-2K. A time-dependent covariate survival analysis was done to test which of AMS, SLEDAI-2K at presentation, sex, and age at diagnosis is the best predictor of mortality. RESULTS: A total of 575 patients with regular followup were included. Only AMS and age at diagnosis were significant predictors. Odds ratio (OR) and 95% confidence intervals (CI) for AMS: OR 1.15 (CI 1.09, 1.20), p = 0.0001; age at diagnosis: OR 1.05 (CI 1.03, 1.06), p = 0.0001. CONCLUSION: AMS represents an average disease activity measure over time and is strongly associated with mortality.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 |
| 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 ».