Work disability in systemic lupus erythematosus
Notice bibliographique
Résumé
OBJECTIVE: To determine the prevalence, accrual over time, and risk factors of work disability in patients with systemic lupus erythematosus (SLE). METHODS: We studied 432 patients from an inception cohort. Work disability was measured from a single self-report question. Data were prospectively collected and included sociodemographic information, clinical lupus features including activity (Systemic Lupus Erythematosus Disease Activity Index 2000 update [SLEDAI-2K]), damage (Systemic Lupus International Collaborating Clinics/American College of Rheumatology Damage Index), and organ involvement, as well as health status (Short Form 36 [SF-36]), comorbidity, and medication use. Student's t-test and Wilcoxon's rank sum test were used to compare continuous variables and chi-square tests were used for dichotomous variables. Descriptive survival curves of time to work disability were presented. Bivariate and multivariate logistic regressions were used to describe the relationships between clinically relevant factors and work disability. RESULTS: Of 432 patients, 88% were women and 73% were white. Within the first year of diagnosis, 47% of patients were employed, 7% had a disability, and 7% were on sick leave. Overall, work disability was found in 98 (23%) patients. Risk factors for work disability found in the multivariate regression analysis were younger age at diagnosis, less education, fibromyalgia, hypertension, higher first-visit SLEDAI-2K score, and lower first-visit SF-36 score. CONCLUSION: Work disability is frequent in patients with SLE, with a cumulative prevalence of 23%. Work disability was associated with a complex array of health factors, including comorbidity, physical and mental health limitations, and clinical features of lupus, that warrant increased attention in future research.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».