Distinguishing Gouty Arthritis from Calcium Pyrophosphate Disease and Other Arthritides
Notice bibliographique
Résumé
OBJECTIVE: Differentiating gout, calcium pyrophosphate deposition disease (CPPD), and non-crystal-related inflammatory arthropathies (non-CRA) is essential but often clinically impossible. The sonographic double contour (DC) sign may have good specificity for gout in highly specialized centers, but it can be challenging to use it to distinguish gout from cartilage hyperenhancements in CPPD. We evaluated the diagnostic value of the DC sign alone and in combination with Doppler signals and uric acid (UA) levels in patients with acute arthritis. METHODS: We retrospectively investigated 225 acutely inflamed joints and documented the presence of DC, Doppler hypervascularization, and serum UA (SUA) levels. All patients underwent synovial fluid (SF) analysis. Sensitivity, specificity, and positive predictive values were calculated, and correlation analyses and a binary regression model were used to investigate their diagnostic values. RESULTS: The sensitivity of DC sign for crystalline arthritides was 85% and specificity 80%. Its specificity for gout was 64%, for CPPD 52%. In contrast to non-CRA hypervascularization, degree 2 and 3 Doppler signals were highly associated with gout and less with CPPD (p < 0.01). The combination of DC sign with hypervascularization and elevated UA levels increased specificity for gout to more than 90% and resulted in a 7-fold increase of the likelihood of diagnosis of gout (p < 0.01), but with a loss of sensitivity (42%). CONCLUSION: The DC sign alone is suitable for predicting crystal-related arthropathies, but it cannot reliably distinguish gout from CPPD in everyday clinical routine. Combining hypervascularization and SUA levels increases the diagnostic value, leading us to propose a diagnostic algorithm.
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 | 0,002 |
| 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 ».