The Belgian Systemic Sclerosis Cohort: Correlations Between Disease Severity Scores, Cutaneous Subsets, and Autoantibody Profile
Notice bibliographique
Résumé
OBJECTIVE: To report baseline and followup data on the first 438 patients with systemic sclerosis (SSc) included in the Belgian Systemic Sclerosis Cohort. METHODS: According to LeRoy and Medsger's classification, 73 patients with limited SSc (lSSc), 279 with limited cutaneous SSc (lcSSc), and 86 with diffuse cutaneous SSc (dcSSc) were included. History was collected and clinical examination, blood tests, and paraclinical investigations were repeated. The Disease Activity Score (DAS) and Disease Severity Score (DSS) of several organ systems were computed. An organ system was considered to demonstrate SSc if the corresponding DSS was ≥ 1. RESULTS: At baseline, patients with dcSSc had more general, joint/tendon, muscle, gastrointestinal, and kidney involvement. Mean DLCO was below normal in patients with lSSc, indicating unsuspected lung involvement. Patients with anti-Scl-70 had more vascular, skin, joint/tendon, and lung involvement. Patients with anti-RNA polymerase III had more skin and joint/tendon involvement compared to patients with anticentromere. Time to death was statistically shorter for patients with dcSSc. New-onset lung disease was the most common complication over time. No changes in DAS were observed. By contrast, the general and the skin DSS worsened in patients with lcSSc and lSSc, respectively. Fifteen percent of patients with lSSc shifted to lcSSc at Month 30, but neither serology nor capillaroscopy findings at baseline were helpful in identifying those at risk. CONCLUSION: Our data indicate that the DSS can be used to define organ involvement in SSc. Differences can be seen between subsets classified not only according to cutaneous subtypes but also to autoantibody profile.
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 | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 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 ».