Influence of ethnicity on childhood‐onset systemic lupus erythematosus: Results from a multiethnic multicenter Canadian cohort
Notice bibliographique
Résumé
OBJECTIVE: To determine the influence of ethnicity and sociodemographic factors on disease characteristics of the Canadian pediatric lupus population. METHODS: Childhood-onset systemic lupus erythematosus (SLE) patients at 4 pediatric centers in Halifax, Montreal, Toronto, and Vancouver were consecutively recruited. Sociodemographics and disease data were collected. Patients were categorized by their primary self-selected ethnicity, and exploratory cluster analyses were examined for disease expression by ethnicity. RESULTS: We enrolled 213 childhood-onset SLE patients, and ethnicity data were available for 206 patients: white (31%), Asian (30%), South Asian (15%), black (10%), Latino/Hispanic (4%), Aboriginal (4%), and Arab/Middle Eastern (3%). The frequency of clinical classification criteria (malar rash, arthritis, serositis, and renal disease) and autoantibodies significantly differed among ethnicities. Medications were prescribed equally across ethnicities: 76% were taking prednisone, 86% antimalarials, and 56% required additional immunosuppressants. Cluster analysis partitioned into 3 main groups: mild (n = 50), moderate (n = 82), and severe (n = 68) disease clusters. Only 20% of white patients were in the severe cluster compared to 51% of Asian and 41% of black patients (P = 0.03). However, disease activity indices and damage scores were similar across ethnicities. CONCLUSION: Canadian childhood-onset SLE patients reflect our multiethnic population, with differences in disease manifestations, autoantibody profiles, and severity of disease expression by ethnicity.
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 | 0,004 |
| 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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 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 ».