Biologic Therapy for Systemic Sclerosis: A Systematic Review
Notice bibliographique
Résumé
OBJECTIVE: Biologic agents are increasingly used in the rheumatic diseases. Their role in patients with systemic sclerosis (SSc) is uncertain. Our aim was to evaluate the effectiveness and safety of biologic agents in SSc. We review the evidence for the use of biologic agents to improve inflammatory arthritis, disability, and skin score, and we review adverse effects with biologic agents in patients with SSc. METHODS: A systematic literature review was performed to identify studies evaluating the use of biologic agents in SSc. Medline, Embase, CINAHL, and Cochrane Database of Systematic Reviews were searched. A standardized abstraction form was used to extract biologic agent, study design, sample size, treatment effect, and adverse effects. RESULTS: A total of 23 studies from 1413 citations were evaluated. Three studies evaluated infliximab, 3 evaluated etanercept, 3 evaluated antithymocyte globulin, 3 evaluated imatinib, 6 evaluated rituximab, and 1 study each evaluated interferon-γ (IFN-γ), IFN-α, relaxin, delipidated, deglycolipidated Mycobacterium vaccae, human anti-transforming growth factor ß1 antibody, and oral type I collagen. Studies of etanercept and infliximab suggest improvements in inflammatory arthritis and Health Assessment Questionnaire Disability Index (HAQ-DI). None of the other biologic agents demonstrated reproducible, statistically significant improvements in joint count, HAQ-DI, or skin score. CONCLUSION: Anti-tumor necrosis factor-α agents may improve inflammatory arthritis and disability in SSc. The effect on skin score is uncertain. Adequately powered trials are needed to evaluate efficacy, and longitudinal studies are needed to evaluate longterm safety of these agents in SSc.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,008 | 0,002 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».