Guilt by Association: The Challenge of Teasing Apart the Effect of Various Risk Factors for Coronary Heart Disease in Systemic Lupus Erythematosus
Notice bibliographique
Résumé
Since the original description over 3 decades ago of the association between atherosclerotic coronary heart disease (CHD) and systemic lupus erythematosus (SLE) by Urowitz, et al 1 many advances have been made in our understanding of the role of traditional, novel, and disease-related risk factors for clinical CHD in SLE2. Esdaile, et al have shown that traditional risk factors such as hypercholesterolemia and hypertension account only partly for the increased risk of CHD in SLE, indicating that disease- and treatment-related factors may also be important3. In the latest installment in the field, published in this issue of The Journal, Haque, et al seek to identify and quantify the role of various risk factors for clinical CHD in SLE, using a case-control design4. They show that patients with clinical CHD are more likely to be male, older, and hypertensive, to have a family history of CHD, to have more “damage” on the Systemic Lupus International Collaborating Clinics/American College of Rheumatology (SLICC/ACR) damage index, and to have been exposed to azathioprine prior to their CHD event. The “LASER” study highlights several methodological challenges in studies of cardiovascular risk factors in SLE. The first challenge relates to study design. While prospective collection of data on risk factors and CHD outcomes is the ideal model, many studies to date, including the LASER study, have used a retrospective chart review method. Not only does this introduce a possible source of bias, particularly in relation to the temporal association between exposure and outcome, it also means that the dataset may be incomplete for certain key variables. Here the choice and definition of risk factors (“independent variables”) for inclusion in the analysis are also limited to information that is routinely collected and documented in the course of clinical care. In the … Address correspondence to Dr. Nikpour. E-mail: mnikpour{at}medstv.unimelb.edu.au
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,206 | 0,329 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,010 | 0,004 |
| Bibliométrie | 0,007 | 0,007 |
| Études des sciences et des technologies | 0,005 | 0,029 |
| Communication savante | 0,011 | 0,038 |
| Science ouverte | 0,008 | 0,011 |
| Intégrité de la recherche | 0,013 | 0,041 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 source (Gemma direct ou Codex distillé), 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 ».