Predictors for Mortality in Patients with Antineutrophil Cytoplasmic Autoantibody-associated Vasculitis: A Study of 398 Chinese Patients
Notice bibliographique
Résumé
OBJECTIVE: Patients with antineutrophil cytoplasmic autoantibody (ANCA)-associated vasculitis (AAV) have high mortality despite the introduction of immunosuppressive therapy. We investigated factors associated with mortality of patients with AAV in a single Chinese cohort. METHODS: A total of 398 consecutive patients with AAV diagnosed in our center were recruited. Clinical and laboratory data were collected retrospectively. The predictive values of variables associated with mortality were analyzed. RESULTS: During followup of a median duration 25.5 months (range 1-196 mo), 135 out of 398 patients (33.9%) died, with 83 deaths within the first 12 months after diagnosis. Independent predictors of all-cause mortality were age (p < 0.001), secondary infection (p < 0.001), pulmonary involvement of AAV (p = 0.012), and initial renal function (p = 0.001). Secondary infection was the leading cause of death (53/153, 39.3%) during the first year after diagnosis, while cardiovascular event was the leading cause of death (15/53, 28.8%) after 12 months from diagnosis. Independent predictors of secondary infection were age (p = 0.002), initial renal function (p = 0.041), lymphocyte counts in the peripheral blood (p = 0.03), and underlying pulmonary involvement of AAV (p = 0.001). CONCLUSION: Secondary infection is the overall leading cause and independent predictor of death in patients diagnosed with AAV. Cardiovascular event is a major cause of death during the late followup. Prudent monitoring should be given to patients of advancing age with renal dysfunction to reduce adverse events, especially infectious complications.
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 | 0,000 |
| 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 ».