Sm antibodies increase risk of death in systemic lupus erythematosus
Notice bibliographique
Résumé
The importance of ethnicity, socioeconomic status (SES), and autoantibodies as prognostic indicators in lupus were evaluated in a Canadian cohort. A retrospective review of 330 lupus patients identified demographic features including age and self reported ethnicity, SES, lupus features, antibodies to extractable nuclear antigens (ENAs), organ damage (SDI score), and mortality. ENA (Sm, RNP, Ro, La) associations with lupus features, predictors of final visit SDI score and the contributions of ethnicity, autoantibodies and SES on overall mortality were determined. Three ethnic groups [Caucasians (C), Asian-Orientals (AO), Native American First Nations (FN)] differed in disease severity and SES. FN and AO patients had similarly severe lupus, developing lupus at an earlier age, with more renal and neurological involvement, greater SDI scores at last visit, and more frequently had Sm or RNP antibodies than C. FN had the highest mortality and lowest SES. Sm and RNP antibodies were associated with renal and neurologic involvement. RNP, education and duration of follow-up predicted SDI score. Sm increased risk of death. In conclusion, RNP and lower SES are associated with lupus related organ damage and the presence of Sm is a predictor of mortality in lupus, independent of ethnicity, renal involvement or socioeconomic status.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,001 | 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 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 ».