The frequency of and associations with hospitalization secondary to lupus flares from the 1000 Faces of Lupus Canadian cohort
Notice bibliographique
Résumé
OBJECTIVES: Hospitalization is a major factor in health care costs and a surrogate for worse outcomes in chronic disease. The aim of this study was to determine the frequency of hospitalization secondary to lupus flare, the causes of hospitalization, and to determine risk factors for hospitalization in patients with systemic lupus erythematosus (SLE). METHODS: Data were collected as part of the 1000 Canadian Faces of Lupus, a prospective cohort study, where annual major lupus flares including hospitalizations were recorded over a 3-year period. RESULTS: Of 665 patients with available hospitalization histories, 68 reported hospitalization related to a SLE flare over 3 years of follow-up. The average annual hospitalization rate was 7.6% (range 6.6-8.9%). The most common reasons for hospitalization were: hematologic (22.1%), serositis (20.6%), musculoskeletal (MSK) (16.2%), and renal (14.7%). Univariate risk factors for lupus hospitalization included (OR [95% CI]; p < 0.05): juvenile-onset lupus (2.2 [1.1-4.7]), number of ACR SLE criteria (1.4 [1.1-1.7], baseline body mass index (BMI) (1.1 [1.0-1.1]), psychosis (3.4 [1.2-9.9]), aboriginal race (3.2 [1.5-6.7]), anti-Smith (2.6 [1.2-5.4]), erythrocyte sedimentation rate >25 mm/hr (1.9 [1.1-3.4]), proteinuria >0.5 g/d (4.2 [1.9-9.3], and SLAM-2 score (1.1 [1.0-1.2]). After multivariate regression only BMI, number of ACR criteria, and psychosis were associated with hospitalization for lupus flare. CONCLUSIONS: The mean annual rate of hospitalization attributed to lupus was lower than expected. Hematologic, serositis, MSK and renal were the most common reasons. In a regression model elevated BMI, more ACR criteria and psychosis were associated with hospitalization.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 ».