Quantifying Disease in Challenging Conditions: Incidence and Prevalence of Rheumatoid Arthritis
Notice bibliographique
Résumé
Prevalence and incidence are both key measures in decision-making processes and in healthcare management in general. While prevalence informs about the probability of being ill, incidence is related to the probability of becoming sick: Both are very relevant estimates of the frequency of a disease. Available data on the prevalence and incidence of rheumatoid arthritis (RA) display high variability among different geographic areas and over time1,2,3,4,5,6,7. This variability cannot be explained only by genetic factors; other environmental and epigenetic conditions may also influence these figures. Besides, some methodological aspects in the determination of these frequencies might have a strong influence on the informed rates. The annual incidence rates of RA range from 20 to 50 per 100,000 inhabitants in North American and Northern European countries8,9,10,11, while in Southern Europe there is a lower occurrence of the disease12,13,14. Besides, incidence seems to be increasing in recent years in some countries after a drop during the last decade of the 20th century. In South America, 1 study carried out in Argentina and published in 2003 reported … Address correspondence to Dr. D. Scublinsky, Faculty of Medicine, University of Buenos Aires, Paraguay 2155, 15th Floor, Ciudad de Buenos Aires, Argentina. E-mail: darioscublinsky{at}yahoo.com.ar
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 | 0,007 | 0,035 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,001 |
| Bibliométrie | 0,005 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,006 | 0,005 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,008 | 0,011 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,004 |
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 ».