Clinical and Serological Hallmarks of Systemic Sclerosis Overlap Syndromes
Notice bibliographique
Résumé
OBJECTIVE: To determine the prevalence of systemic sclerosis (SSc) overlap syndrome and autoantibody profile in a large single-center cohort. METHODS: SSc diagnoses, subsets, and autoantibody profiles were obtained from clinical records of patients attending the Centre for Rheumatology, Royal Free Hospital, between September 1999 and February 2007. RESULTS: In total, 332 (20%) of 1700 patients with SSc had overlap syndrome. This comprised myositis (42.8%), rheumatoid arthritis (RA; 32%), Sjögren's syndrome (SS; 16.8%), and systemic lupus erythematosus (SLE; 8.4%). Antinuclear antibody was positive in 96.6% of patients. Anticentromere antibody (ACA) was exclusively present in limited cutaneous SSc (lcSSc) overlap cases (22%), and more common in SSc/SS overlap (44.7%), whereas no difference was found in the prevalence of Scl-70 autoantibody between lcSSc and diffuse cutaneous SSc overlap groups. U1RNP was more frequent in SSc/SLE (44%), while Ro antibody was more likely to be found in SSc/SS (29.8%). ACA was absent and anti-Scl-70 was infrequent in SSc/myositis; polymyositis-scleroderma antibody was more frequent in this group (33.1%). About 50% of patients had raised rheumatoid factor (RF), with no difference between overlap groups irrespective of RF titer. In contrast, anticyclic citrullinated peptide antibody was more frequent in patients with RA features. CONCLUSION: About one-fifth of SSc cases had overlap features. There were distinct serological features that may predict specific clinical presentation and disease course.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».