EQ-5D and SF-36 Quality of Life Measures in Systemic Lupus Erythematosus: Comparisons with Rheumatoid Arthritis, Noninflammatory Rheumatic Disorders, and Fibromyalgia
Notice bibliographique
Résumé
OBJECTIVE: The Medical Outcomes Study Short-form 36 (SF-36) provides numerical measurement of patient health, but does not include preferences for health states and cannot be used directly in cost-effectiveness analyses. By contrast the Euroqol EQ-5D can be used for cost-effectiveness analyses. The EQ-5D has rarely been used in systemic lupus erythematosus (SLE). We compared SF-36 and EQ-5D values across rheumatic diseases. METHODS: We studied 1316 patients with SLE, 13,722 with rheumatoid arthritis (RA), 3623 with non-inflammatory rheumatic disorders (NIRD), and 2733 with fibromyalgia (FM). RESULTS: The mean EQ-5D, physical (PCS) and mental (MCS) component summary scores were 0.72, 36.3, and 44.3, respectively, in SLE. There was essentially no difference among EQ-5D and PCS scores for patients with SLE, RA, or NIRD. MCS was lower in SLE compared with RA and NIRD (44.3, 49.1, 50.8, respectively). All scores were more abnormal in FM (0.61, 31.9, 41.9). Within SF-36 domains, physical function was better, but general health, vitality, social function, role-emotional, and mental health were more impaired in SLE compared with RA and NIRD. In SLE, quality of life (QOL) was predicted by damage, comorbidity, income, education, and age. Fifteen percent of patients with SLE were very satisfied with their health, and their QOL scores (0.84, 45.4, 50.1) were similar to those found in the US population for EQ-5D and MCS, but were slightly reduced for PCS. CONCLUSION: EQ-5D and PCS are at the same levels in SLE as in RA and NIRD, but are more abnormal in SLE in the MCS and mental health domains. EQ-5D values allow preference-based comparisons with other chronic conditions.
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 | 0,017 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».