Vasoactive Therapy in Systemic Sclerosis: Real-life Therapeutic Practice in More Than 3000 Patients
Notice bibliographique
Résumé
OBJECTIVE: Vasculopathy is a key factor in the pathophysiology of systemic sclerosis (SSc) and the main cause for Raynaud phenomenon (RP), digital ulcers (DU), and/or pulmonary arterial hypertension (PAH). It is so far unknown how patients with SSc are treated with vasoactive agents in daily practice. To determine to which extent patients with SSc were treated with different vasoactive agents, we used data from the German Network for Systemic Scleroderma registry. METHODS: The data of 3248 patients with SSc were analyzed. RESULTS: Patients were treated with vasoactive drugs in 61.1% of cases (1984/3248). Of these, 47.6% received calcium channel inhibitors, followed by 34.2% treated with angiotensin-converting enzyme (ACE) inhibitors, 21.1% treated with intravenous (IV) prostanoids, 10.1% with pentoxifylline, 8.8% with angiotensin 1 receptor antagonists (AT1RA), 8.7% with endothelin 1 receptor antagonists (ET1RA), 4.1% with phosphodiesterase type 5 (PDE5) inhibitors, and 5.3% with others. Patients with RP received vasoactive therapy in 63.3% of cases, with DU in 70.1%, and with PAH in 78.2% of cases. Logistic regression analysis revealed that patients with PAH were significantly more often treated with PDE5 inhibitors and ET1RA, and those with DU with ET1RA and IV prostanoids. In addition, 41.8% of patients were treated with ACE inhibitors and/or AT1RA. Patients registered after 2009 received significantly more often ET1RA, AT1RA, and IV prostanoids compared with patients registered prior to 2005. CONCLUSION: These data clearly indicate that many patients with SSc do not yet receive sufficient vasoactive therapy. Further, in recent years, a marked change of treatment regimens can be observed.
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 | 0,002 | 0,001 |
| 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 ».