Personalizing Treatment Targets in Rheumatoid Arthritis by Using a Simple Prediction Model
Notice bibliographique
Résumé
OBJECTIVE: To develop a personalized treatment target approach in patients with rheumatoid arthritis (RA) based on baseline risk factors for joint damage progression in combination with disease activity over time. METHODS: Data were used from the Nijmegen early RA cohort. Presence or absence of anticyclic citrullinated peptide antibodies (anti-CCP), high erythrocyte sedimentation rate, and erosions were translated into 4 risk profiles: 0, 1, 2, and 3. Joint damage progression was assessed with the Ratingen score, and disease activity with the original Disease Activity Score (DAS) over 3 years. The probability for joint damage progression was calculated for each risk profile and each DAS category using logistic regression models. The probabilities were translated into personalized disease activity treatment targets. RESULTS: More risk factors at baseline as well as a higher DAS level resulted in a higher probability for joint damage progression in a dose-dependent way. Low DAS corresponded with a probability of 0.0, 0.08, 0.20, and 0.58 in patients with 0, 1, 2, and 3 risk factors, respectively. Moderate DAS corresponded with a probability of 0.06 in patients with 0 risk factors and 0.35 with 1 risk factor. High DAS resulted in a probability of 0.50 with no risk factors present at baseline. CONCLUSION: Presence of anti-CCP, acute-phase response, and erosions at baseline can be used to set individual treatment targets in RA. In patients without these risk factors, a moderate DAS as a target is sufficient, while for patients with all 3 risk factors, a low DAS is not strict enough to limit the risk for joint damage.
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 | 0,004 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».