Serious infections in a population‐based cohort of 86,039 seniors with rheumatoid arthritis
Notice bibliographique
Résumé
OBJECTIVE: To assess risk and risk factors for serious infections in seniors with rheumatoid arthritis (RA) using a case-control study nested within an RA cohort. METHODS: We assembled a retrospective RA cohort age ≥66 years from Ontario health administrative data across 1992-2010. Nested case-control analyses were done, comparing RA patients with a primary diagnosis of infection (based on hospital or emergency department records) to matched RA controls. We assessed independent effects of drugs, adjusting for demographics, comorbidity, and markers of RA severity. RESULTS: A total of 86,039 seniors with RA experienced 20,575 infections, for a rate of 46.4 events/1,000 person-years. The most frequently occurring events included respiratory infections, herpes zoster, and skin/soft tissue infections. Factors associated with infection included higher comorbidity, rural residence, markers of disease severity, and history of previous infection. In addition, anti-tumor necrosis factor agents and disease-modifying antirheumatic drugs were associated with a several-fold increase in infections, with an adjusted odds ratio (OR) ranging from 1.2-3.5. The drug category with the greatest effect estimate was glucocorticoids, which exhibited a clear dose response with an OR ranging from 4.0 at low doses to 7.6 at high doses. CONCLUSION: Seniors with RA have significant morbidity related to serious infections, which exceeds previous reports among younger RA populations. Rural residence, higher comorbidity, markers of disease severity, and previous infection were associated with serious infections in seniors with RA. Our results emphasize that many RA drugs may increase the risk of infection, but glucocorticoids appear to confer a particular risk.
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 | 0,001 | 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) | 0,001 | 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 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 ».