Prevalence, risk factors, and outcome of uveitis in juvenile idiopathic arthritis: A long‐term followup study
Notice bibliographique
Résumé
OBJECTIVE: To assess the prevalence, risk factors, and long-term outcome of uveitis in patients with juvenile idiopathic arthritis (JIA). METHODS: An inception cohort of all 1,081 patients diagnosed as having JIA at a single tertiary care center was established. A questionnaire and followup telephone calls were used to confirm the diagnosis of uveitis. Ophthalmologists' records of patients with uveitis were collected. Kaplan-Meier and Cox regression analyses were used to assess risk factors for developing uveitis and for complications of uveitis. RESULTS: After a mean followup time of 6.9 years, 142 of 1,081 patients (13.1%) had developed uveitis. Risk factors were young age at diagnosis, female sex, antinuclear antibody positivity, and the subtype of JIA. The relative contribution of these risk factors was different for the different subtypes of JIA. Until the end of the study, uveitis complications had developed in 53 of 142 patients with uveitis (37.3%; 4.9% of the total cohort). Only 16 of 175 involved eyes (9.1%) in 14 of 108 patients (13%; 1.3% of the total cohort) for whom ophthalmology reports were available had best corrected visual acuity less than 20/40 (mean followup time for uveitis of 6.3 years). Abnormal vision was associated with synechiae or cataract. CONCLUSION: Risk factors for developing uveitis were different among subtypes of JIA. The long-term outcome of JIA-associated uveitis in our cohort was excellent despite the high rate of complications.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».