Variability and correlates of high sensitivity C-reactive protein in systemic lupus erythematosus
Notice bibliographique
Résumé
In the general population, high-sensitivity C-reactive protein (hsCRP), a marker of inflammation, is relatively stable over time and independently predicts cardiovascular events. Systemic lupus erythematosus (SLE), a chronic inflammatory disease, is strongly associated with coronary artery disease (CAD). The objective of this study was to determine the variability and correlates of hsCRP in patients with SLE. Two cohorts from the University of Toronto Lupus Clinic, one with newly diagnosed and the other with prevalent SLE for 4 or more years, were selected. HsCRP was measured on serially collected samples, and hsCRP levels were ranked according to quartiles of cardiovascular risk. Correlates of hsCRP were determined using multivariate regression modelling with analysis of repeated measures. Among 58 patients in the inception cohort, over time, 36 (62%) moved from one hsCRP risk quartile to another. Among 414 patients in the prevalent cohort, 294 (71.0%) moved from one risk quartile to another. In both cohorts, within-patient variance comprised the majority of total variance in hsCRP levels. In multivariate regression analysis, hsCRP increased with age (P = 0.002), postmenopausal status (P = 0.03), smoking (P = 0.007) and presence of infection (P = 0.0001) and decreased with use of immunosuppressives (P = 0.02). There is marked variability of hsCRP level over time in SLE, regardless of disease duration. This variability is due to age and SLE treatment, menopausal status, smoking and the occurrence of infection. The variability of hsCRP in SLE casts doubt over its usefulness as an independent predictor of CAD risk in this disease and potentially in other chronic inflammatory diseases.
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 | 0,000 | 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 ».