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 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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».