Predictors of Organ Damage Progression and Effect on Health-related Quality of Life in Systemic Lupus Erythematosus
Notice bibliographique
Résumé
OBJECTIVE: To describe organ damage accrual, predictors of damage progression, and effect on health-related quality of life (HRQOL) in patients with systemic lupus erythematosus (SLE). METHODS: A longitudinal database of patients who met the American College of Rheumatology (ACR) classification criteria for SLE was used. Annual assessments included the Systemic Lupus International Collaborating Clinics/ACR Damage Index (SDI) and the Medical Outcomes Study Short Form-36 (SF-36). The prognostic significance of demographic, disease-related, and treatment-related factors on damage progression was examined using multivariable Cox regression. The effect of changes in SDI scores on HRQOL, measured using the SF-36 summary and subscale scores, was assessed using linear mixed-effects modeling. RESULTS: There were 273 patients with SLE studied over a mean (SD) duration of followup of 7.3 (4.3) years. During followup, 126 (46.2%) had an increase in SDI scores. Patients with preexisting damage at baseline were more likely to have earlier damage progression (HR 2.09, 95% CI 1.44-3.01). Older age, ≥ 8 ACR classification criteria, immunosuppressive drugs, cigarette smoking, and higher mean serum C-reactive protein levels were associated with an earlier increase in SDI scores in multivariable analysis. In general, changes in SDI scores were associated with initial declines in SF-36 scores at the time that damage occurred, with subsequent change comparable to that seen in patients without damage progression. CONCLUSION: This study identified multiple risk factors, some modifiable, associated with damage progression in patients with SLE. The negative effect on HRQOL emphasizes the need for treatment strategies to reduce the risk of organ damage over time.
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 | 0,007 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 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 ».