Characteristics Predicting Tuberculosis Risk under Tumor Necrosis Factor-α Inhibitors: Report from a Large Multicenter Cohort with High Background Prevalence
Notice bibliographique
Résumé
OBJECTIVE: Screening strategies for latent tuberculosis (TB) before starting tumor necrosis factor (TNF)-α inhibitors have decreased the prevalence of TB among patients who are treated with these agents. However, despite vigilant screening, TB continues to be an important problem, especially in parts of the world with a high background TB prevalence. The aim of this study was to determine the factors related to TB among a large multicenter cohort of patients who were treated with anti-TNF. METHODS: Fifteen rheumatology centers participated in this study. Among the 10,434 patients who were treated with anti-TNF between September 2002 and September 2012, 73 (0.69%) had developed TB. We described the demographic features and disease characteristics of these 73 patients and compared them to 7695 patients who were treated with anti-TNF, did not develop TB, and had complete data available. RESULTS: Among the 73 patients diagnosed with TB (39 men, 34 women, mean age 43.6 ± 13 yrs), the most frequent diagnoses were ankylosing spondylitis (n = 38) and rheumatoid arthritis (n = 25). More than half of the patients had extrapulmonary TB (39/73, 53%). Six patients died (8.2%). In the logistic regression model, types of anti-TNF drugs [infliximab (IFX), OR 3.4, 95% CI 1.88-6.10, p = 0.001] and insufficient and irregular isoniazid use (< 9 mos; OR 3.15, 95% CI 1.43-6.9, p = 0.004) were independent predictors of TB development. CONCLUSION: Our results suggest that TB is an important complication of anti-TNF therapies in Turkey. TB chemoprophylaxis less than 9 months and the use of IFX therapy were independent risk factors for TB development.
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 | 0,003 |
| 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) | 0,001 | 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 ».