A Conceptual Framework for Evaluating Impairments in Myasthenia Gravis
Notice bibliographique
Résumé
BACKGROUND: Myasthenia gravis is characterized by weakness and fatigability of different muscle groups, including ocular, bulbar and the limbs. Therefore, a measure of disease severity at the impairment level in myasthenia needs to reflect all the relevant impairments, as well as their variations with activity and fatigue. We conducted a qualitative study of patients with myasthenia, to explore their experiences and related impairments, aimed at developing a conceptual framework of disease severity at the impairment level in myasthenia gravis. METHODS: Twenty patients representing the spectrum of disease participated in semi-structured interviews. Interviews were recorded and the transcripts were analyzed by content analysis using an inductive approach with line-by-line open coding. Themes were generated from these codes. RESULTS: Two main themes were identified: the severity of the impairments and fatigability (i.e., triggering or worsening of an impairment with activity). The impairments were further classified within body regions (ocular, bulbar and axial/limbs). Fatigability was described as a phenomenon affecting the whole body but also affecting specific impairments, and was associated with fluctuation of the symptoms. Patients were concerned that clinical examination at a single point in time might not reflect their true clinical state due to fatigability and fluctuations in severity. CONCLUSIONS: This conceptual framework reflects the relevance of both severity and fatigability in understanding impairment-based disease severity in myasthenia. This framework could inform the development of impairment measures in myasthenia gravis.
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 | 0,001 |
| 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 ».