Ethnic Differences in Pediatric Systemic Lupus Erythematosus
Notice bibliographique
Résumé
OBJECTIVE: Prevalence and severity of systemic lupus erythematosus (SLE) in adults is suggested to be distinctly different between ethnic groups. The impact of ethnicity is not as well delineated in pediatric SLE (pSLE). We compared prevalence and extent of major organ involvement, disease activity, and damage in pSLE between different ethnic groups. METHODS: Ethnic demographic profiles of an inception cohort of 265 patients with pSLE followed at Sick Kids Hospital in Toronto were determined and compared to the Metropolitan Toronto at-risk population. Patients were categorized into ethnic subsets based on self-designated ethnic origins. Disease characteristics including major organ involvement, disease activity, and damage measures were longitudinally determined and compared among ethnic groups. RESULTS: Ethnicity data were available on 259/265 pSLE patients (99.6%); the majority were non-Caucasian (60%) compared to the Metropolitan Toronto at-risk population (40%) (p < 0.0001). Non-Caucasian patients were younger at diagnosis than Caucasian patients, Black patients being the youngest at diagnosis (12.6 vs 14.6 yrs; p = 0.007). Renal disease was significantly more common in non-Caucasian than in Caucasian pSLE patients (62% vs 45%; p = 0.01). There was a trend toward increased prevalence of central nervous system disease in Black patients compared to Asian patients (p = 0.108). There was no difference in gender ratio, SLE Disease Activity Index, or damage scores between ethnic groups. CONCLUSION: Non-Caucasian ethnicity is associated with increased pSLE disease prevalence. Non-Caucasian pSLE patients were significantly younger and more likely to have nephritis. However, disease activity and damage were strongly associated with major organ disease independent of the patient's ethnicity.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 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 ».