Hospitalizations of Patients Treated with Anti-Tumor Necrosis Factor-α Agents — A Retrospective Cohort Analysis
Notice bibliographique
Résumé
OBJECTIVE: To assess the association between treatment with anti-tumor necrosis factor-α (TNF-α) agents and the occurrence of hospitalizations, their causes and complications, compared to treatment with traditional disease-modifying antirheumatic drugs in patients with rheumatoid arthritis (RA), psoriatic arthritis (PsA), and ankylosing spondylitis (AS). METHODS: A retrospective cohort study was conducted of patients with RA, AS, and PsA treated with anti-TNF-α agents between April 2002 and December 2007. Patients were assessed during the period of anti-TNF-α treatment (Group B) and compared to an equivalent period before initiation of anti-TNF-α therapy (Group A). All hospitalization charts were reviewed and diagnoses, comorbidities, concomitant medications, and clinical course were analyzed. Statistical analysis was performed using multivariate mixed Poisson regression. RESULTS: In the study period of 57 months, 735 hospitalization events of 327 patients were analyzed. Statistically significant decreases were seen in the total number of hospitalization events as well as hospitalizations due to exacerbation of rheumatic diseases in Group B compared to Group A (44.4 vs 74.2 and 21.9 vs 47.5 per 100 patient-years, respectively; p < 0.0001). More infectious events (7.4 in Group B compared to 4.6 per 100 patient-years in Group A; p = 0.043) were associated with anti-TNF-α treatment, older age, and underlying disease, because patients with RA had higher rates of infections compared to patients with PsA and patients with AS. CONCLUSION: The overall effect of anti-TNF-α therapy was a significant decline in total hospitalization events. The decrease was more prominent in patients with RA than in patients with AS and patients with PsA, and reflected the significant decrease in hospitalizations due to rheumatic disease exacerbation. The decrease was more pronounced than the observed increase in infectious events.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».