Predicting the outcome of ankylosing spondylitis therapy
Notice bibliographique
Résumé
OBJECTIVES: To create a model that provides a potential basis for candidate selection for anti-tumour necrosis factor (TNF) treatment by predicting future outcomes relative to the current disease profile of individual patients with ankylosing spondylitis (AS). METHODS: ASSERT and GO-RAISE trial data (n=635) were analysed to identify baseline predictors for various disease-state and disease-activity outcome instruments in AS. Univariate, multivariate, receiver operator characteristic and correlation analyses were performed to select final predictors. Their associations with outcomes were explored. Matrix and algorithm-based prediction models were created using logistic and linear regression, and their accuracies were compared. Numbers needed to treat were calculated to compare the effect size of anti-TNF therapy between the AS matrix subpopulations. Data from registry populations were applied to study how a daily practice AS population is distributed over the prediction model. RESULTS: Age, Bath ankylosing spondylitis functional index (BASFI) score, enthesitis, therapy, C-reactive protein (CRP) and HLA-B27 genotype were identified as predictors. Their associations with each outcome instrument varied. However, the combination of these factors enabled adequate prediction of each outcome studied. The matrix model predicted outcomes as well as algorithm-based models and enabled direct comparison of the effect size of anti-TNF treatment outcome in various subpopulations. The trial populations reflected the daily practice AS population. CONCLUSION: Age, BASFI, enthesitis, therapy, CRP and HLA-B27 were associated with outcomes in AS. Their combined use enables adequate prediction of outcome resulting from anti-TNF and conventional therapy in various AS subpopulations. This may help guide clinicians in making treatment decisions in daily practice.
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 | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».