Preliminary population-based incidence and prevalence estimates of systemic lupus erythematosus: the California Lupus Surveillance Project
Notice bibliographique
Résumé
Previous estimates of prevalence and incidence of systemic lupus erythematosus (SLE) in the United States have varied widely due to factors such as heterogeneous source populations, limitations with case ascertainment, and differing case definitions. The California Lupus Surveillance Project (CLSP) is part of a national effort funded by the Centers for Disease Control and Prevention to determine more credible estimates of incidence and prevalence of SLE, with a special focus on Hispanics and Asians. The CLSP is a population-based registry designed to determine the incidence and prevalence of SLE in San Francisco County, CA, USA. Sources of cases included hospitals, rheumatologists, nephrologists, commercial laboratories, and state population databases. These sources were queried for the International Classification of Diseases, Ninth Revision (ICD-9-CM) codes of 710.0 (SLE), 695.4 (discoid lupus), 710.8 (other specified connective tissue disease), and 710.9 (unspecified connective tissue disease). Laboratories were queried for serologic tests including ANA, anti-dsDNA, anti-Smith, antiphospholipid antibodies, and low complement levels. Pathology laboratories were queried for renal and cutaneous biopsies consistent with lupus. Over 15,000 potential SLE patients were identified after the initial queries, and trained abstractors performed detailed medical chart reviews on the >5,500 patients who met the catchment criteria of residence in San Francisco County within the years 2007 to 2009. Cases were defined as patients with documentation of ≥4/11 of the ACR Classification Criteria for SLE. Using SAS 9.3, we calculated prevalence and incidence rates and associated 95% confidence intervals (CIs). Denominators for all rates were obtained from the US Census data (revised 2000 to 2009 intercensal population files) for San Francisco County. The preliminary overall crude prevalence and incidence of SLE in San Francisco County was 90.4/100,000 and 5.1/100,000 respectively. The highest prevalence of disease was observed in Black women (430.6/100,000), followed by Hispanic and Asian (163.8/100,000 and 158.9/100,000, respectively), and White (111.3/100,000) women (Table 1 ). The CLSP uses more complete case finding methods to provide current estimates of prevalence and incidence in a racially and ethnically diverse population. Racial and ethnic disparities in SLE were confirmed with the highest burden of disease in Black women, followed by Hispanic and Asians, and, finally, White women.
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 | 0,003 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».