Clinical decision rule to predict the presence of interstitial lung disease in systemic sclerosis
Notice bibliographique
Résumé
OBJECTIVE: To develop a clinical decision rule to predict the presence of interstitial lung disease (ILD) in systemic sclerosis (SSc; scleroderma) and to estimate the prevalence of SSc-ILD. METHODS: Patient data were extracted from the Canadian Scleroderma Research Group registry. Three algorithms for the clinical decision rule were considered based on lung auscultation, chest radiography (CXR), and % predicted forced vital capacity (FVC). High-resolution computed tomography (HRCT) scans were used as the gold standard to determine the diagnostic properties of the 3 algorithms. Multiple imputation was used to impute HRCT data when missing, thereby avoiding bias due to differential referral for HRCT. RESULTS: This study included 1,168 patients. Of the patients with HRCT scans, 65% had evidence of ILD, compared to 26% by physical examination and 22% by CXR. The FVC of those who did not have HRCT was 8.8% greater than those who did (95% confidence interval [95% CI] 6.0-11.6%). Algorithm A, which identified the presence of ILD based on crackles on lung auscultation and/or findings on CXR, had a likelihood ratio of 3.9, compared to 3.2 for Algorithm B (which included patients with FVC <70%) and 2.2 for Algorithm C (which included patients with FVC <80%). The prevalence of ILD in the cohort was estimated to be 52% (95% CI 46-59%). CONCLUSION: We developed a simple clinical decision rule to predict SSc-ILD with good test characteristics. The prevalence of ILD in a large, unselected SSc cohort was estimated to be 52%.
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 | 0,016 | 0,067 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».