Identification of the Clinical Features Distinguishing Psoriatic Arthritis and Fibromyalgia
Notice bibliographique
Résumé
OBJECTIVE: To identify the clinical features that can help to distinguish between psoriatic arthritis (PsA) and fibromyalgia (FM). METHODS: Our cross-sectional study was carried out in 10 Italian rheumatology centers between January and September 2009, and enrolled all consecutive patients with PsA and FM who agreed to participate. Standard clinical and laboratory data for PsA and FM were collected from all patients. Records were made of somatic symptoms, response to nonsteroidal antiinflammatory drugs (NSAID), self-evaluated pain, general health, disability, and responses to the Fibromyalgia Impact Questionnaire. Data were statistically analyzed by univariate and multivariate analyses, and receiver-operating characteristic curves. The analysis concentrated on the clinical features shared by the 2 conditions. RESULTS: Two hundred sixty-six patients with PsA (mean age 51.7 yrs; disease duration 10.2 yrs) and 120 patients with FM (mean age 50.2 yrs; disease duration 5.6 yrs) were evaluated. Univariate analysis showed that patients with FM had higher mean tender point and enthesitis scores, more somatic symptoms, and responded less to NSAID. Multivariate analysis showed that the presence of ≥ 6 FM-associated symptoms and ≥ 8 tender points was the best predictor of FM. CONCLUSION: The shared clinical features of PsA and FM that had the greatest discriminating power for FM were the number of FM-associated symptoms and tender point count.
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 | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 | 0,000 |
| 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 ».