Onset to first visit intervals in childhood rheumatic diseases.
Notice bibliographique
Résumé
OBJECTIVE: To determine time intervals between onset of symptoms of a childhood rheumatic disease and first visit to a pediatric rheumatology clinic and to evaluate factors influencing onset to first visit intervals. METHODS: Onset to first visit intervals were analyzed in 836 children representing the 10 most common diseases in a pediatric rheumatology clinic population of 1093. RESULTS: Among 836 subjects, 469 (56.1%) could identify month of symptom onset. Among patients with juvenile rheumatoid arthritis (JRA) 125 of 195 (64.1%) with pauciarticular, 58 of 105 (55.2%) with polyarticular, and 28 of 36 (77.8%) with systemic subtypes were able to determine time interval between symptom onset and first visit. Month intervals were confidently established in 80 of 250 with a spondyloarthropathy (32.4%), 19 of 52 (36.5%) with psoriatic arthropathy, 65 of 72 (90.3%) with Henoch-Schönlein purpura (HSP), 50 of 56 (89.3%) with Kawasaki disease, 22 of 34 (64.7%) with systemic lupus erythematosus, 13 of 18 (72.2%) with dermatomyositis, and 9 of 18 (50%) with localized scleroderma. Determination of onset was significantly more likely in HSP than in other diagnostic categories except systemic JRA, and more likely in Kawasaki disease than other disease categories except systemic JRA and dermatomyositis. In the group of 469, 287 (61.2%) were seen within 2 months of symptom onset and 447 (95.3%) within 1 year of symptom onset. CONCLUSION: Diseases ordinarily typified by an abrupt and acute onset of symptoms were referred most promptly, suggesting that acuity of symptoms at disease onset is the factor that most influences promptness of referral. Prospective studies are required to establish how onset to first visit intervals might influence disease outcomes and to devise best practice referral guidelines.
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 ».