Survival, Causes of Death, and Prognostic Factors in Systemic Sclerosis: Analysis of 947 Brazilian Patients
Notice bibliographique
Résumé
OBJECTIVE: To analyze survival, prognostic factors, and causes of death in a large cohort of patients with systemic sclerosis (SSc). METHODS: From 1991 to 2010, 947 patients with SSc were treated at 2 referral university centers in Brazil. Causes of death were considered SSc-related and non-SSc-related. Multiple logistic regression analysis was used to identify prognostic factors. Survival at 5 and 10 years was estimated using the Kaplan-Meier method. RESULTS: One hundred sixty-eight patients died during the followup. Among the 110 deaths considered related to SSc, there was predominance of lung (48.1%) and heart (24.5%) involvement. Most of the 58 deaths not related to SSc were caused by infection, cardiovascular or cerebrovascular disease, and cancer. Male sex, modified Rodnan skin score (mRSS) > 20, osteoarticular involvement, lung involvement, and renal crisis were the main prognostic factors associated to death. Overall survival rate was 90% for 5 years and 84% for 10 years. Patients presented worse prognosis if they had diffuse SSc (85% vs 92% at 5 yrs, respectively, and 77% vs 87% at 10 yrs, compared to limited SSc), male sex (77% vs 90% at 5 yrs and 64% vs 86% at 10 yrs, compared to female sex), and mRSS > 20 (83% vs 90% at 5 yrs and 66% vs 86% at 10 yrs, compared to mRSS < 20). CONCLUSION: Survival was worse in male patients with diffuse SSc, and lung and heart involvement represented the main causes of death in this South American series of patients with SSc.
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) | 0,001 | 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 ».