Mortality Profile Related to Systemic Lupus Erythematosus: A Multiple Cause-of-death Analysis
Notice bibliographique
Résumé
OBJECTIVE: To analyze the mortality profile related to systemic lupus erythematosus (SLE) in the state of São Paulo, Brazil. METHODS: For the 1985-2007 period, we analyzed all death certificates (n = 4815) on which SLE was listed as an underlying (n = 3133) or non-underlying (n = 1682) cause of death. We evaluated sex, age, and the causes of death, comparing the first and last 5 years of the period, as well as determining the observed/expected death ratio (O/E ratio). RESULTS: For SLE as an underlying cause, the mean age at death was 35.77 years (SD 15.12) and the main non-underlying causes of death were renal failure, circulatory system diseases, pneumonia, and septicemia. Over the period, the proportional mention of infectious causes and circulatory system diseases increased, whereas renal diseases decreased. For SLE as a non-underlying cause of death, the most common underlying causes of death were circulatory, respiratory, genitourinary, and digestive system diseases, and certain infections. The overall death O/E ratio was > 1 for renal failure, tuberculosis, septicemia, pneumonia, and digestive system diseases, as well as for circulatory system diseases at < 50 years of age, particularly acute myocardial infarct. CONCLUSION: Unlike in developed countries, renal failure and infectious diseases are still the most frequent causes of death. The increase in SLE deaths associated with infection, especially pneumonia and septicemia, is worrisome. The judicious use of immunosuppressive therapy together with vigorous treatment of cardiovascular comorbidities is crucial to the successful management of SLE and to improving survival of patients with SLE.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 |
| 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 ».