Law of the Vital Few: Choosing Variables of Disease Activity in Rheumatoid Arthritis
Notice bibliographique
Résumé
The Italian economist Vilfredo Pareto noticed that 20% of the pea pods in his garden contained 80% of the peas. His “Law of the Vital Few”1 seems to describe a wide variety of situations where 80% of the observed effect can be explained by 20% of the causes. The treatment of rheumatoid arthritis (RA) was revolutionized in the 1980s and 1990s by a small number of simple but powerful advances. Robust trials demonstrated the value of cheap, readily available drugs such as methotrexate. Simple clinical outcome measures such as the Disease Activity Score (DAS) were validated. Because our goals have since evolved to focus on smaller numbers of patients with resistant disease or poor prognosis or to personalize therapy, more complex and expensive techniques and interventions seem to be required to achieve better outcomes. The longterm goal of therapy in RA is the preservation of function and prevention of joint damage. Treat-to-target trials such as TICORA demonstrate that both doctors and patients underestimate how much therapy is needed to achieve this2. Not surprisingly, perhaps, more therapy leads to less inflammation and better short-term and longterm outcomes. Current “best practice” in early RA is based on the use of composite scores such as the DAS or its 28-joint version (DAS28) to direct escalation of therapy … Address correspondence to Dr. E.M. Vital, Chapel Allerton Hospital, Leeds LS7 4SA, UK; E-mail: e.m.j.vital{at}leeds.ac.uk
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 | 0,030 | 0,160 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,004 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».