Self-reported flaring varies during the menstrual cycle in systemic lupus erythematosus compared with rheumatoid arthritis and fibromyalgia
Notice bibliographique
Résumé
OBJECTIVE: We studied self-reported flares before menses in SLE, RA and FM, and determined whether there were differences. METHODS: Part 1: women blinded to study hypothesis having menses with SLE and RA completed a 100-day diary logging their pain, fatigue and disease activity on a 100-mm visual analogue scale (VAS) and menses. Part 2: SLE, RA and FM patients were mailed a questionnaire about menstrual cycle and disease changes. RESULTS: Part 1: 28 patients with SLE and 21 with RA were included; 84% of SLE and 71% of RA patients had regular menses. Patients with SLE had higher pain, fatigue and disease activity during menses than in the hormonal surge phase. Patients with RA had increased pain, fatigue and disease activity during decreasing progesterone. Part 2: 498 patients were surveyed, of whom 56% responded (81 SLE, 136 RA and 61 FM). Those taking the oral contraceptive pill (OCP) ever since diagnosis were 52% with SLE, 41% with RA and 33% with FM (P = 0.1). Those who flared before menses when not on OCP were 36% with SLE, 28% with RA and 54% with FM (P = 0.08). In SLE patients, the mean VAS scores were worse during menses with average scores of 21.0 for pain, 26.7 for fatigue and 18.2 for disease activity vs 16.0 (P = 0.04), 18.6 (P = 0.004) and 11.4 (P = 0.01) during the surge. In RA, the decreasing progesterone phase was different from the increasing oestrogen phase for pain (P = 0.06). CONCLUSION: There could have been recall bias and participants may have confused pre-menstrual syndrome with flares. However, there seem to be menstrual cycle flares in SLE, RA and FM.
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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».