Systemic lupus international collaborating clinics renal activity/response exercise: Development of a renal activity score and renal response index
Notice bibliographique
Résumé
OBJECTIVE: To develop a measure of renal activity in systemic lupus erythematosus and use it to develop a renal response index. METHODS: Abstracted data from the medical records of 215 patients with lupus nephritis were sent to 8 nephrologists and 29 rheumatologists for rating. Seven nephrologists and 22 rheumatologists completed the ratings. Each physician rated each patient visit with respect to renal disease activity (none, mild, moderate, or severe). Using the most commonly selected rating for each patient as the gold standard, stepwise regression modeling was performed to identify the variables most related to renal disease activity, and these variables were then used to create an activity score. This activity score could then be applied to 2 consecutive visits to define a renal response index. RESULTS: The renal activity score was computed as follows: proteinuria 0.5-1 gm/day (3 points), proteinuria 0.5-1 gm/day = 3 points, proteinuria >1-3 gm/day = 5 points, proteinuria >3 gm/day = 11 points, [corrected] urine red blood cell count > = 5/hpf = 3 points, [corrected] urine white blood cell count > or = 5/hpf = 1 point. [corrected] The chance-adjusted agreement between the renal response index derived from the activity score applied to the paired visits and the plurality physician response rating was 0.69 (95% confidence interval 0.59-0.79). CONCLUSION: Ratings derived from this index for rating of renal response showed reasonable agreement with physician ratings in a pilot study. The index will require further refinement, testing, and validation. A data-driven approach to create renal activity and renal response indices will be useful in both clinical care and research settings.
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 | 0,004 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,001 |
| 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 ».