IgA antibodies to myeloperoxidase in patients with eosinophilic granulomatosis with polyangiitis (Churg-Strauss).
Notice bibliographique
Résumé
OBJECTIVES: To better understand the real-world characteristics and costs of Sjögren's syndrome (SS). METHODS: Analysing the MarketScan Commercial Claims database from Jan. 1, 2006 to Dec. 31, 2011, we identified 10,414 patients ≥18 years old newly diagnosed with SS. Patient characteristics, drugs (commonly used for SS), resource utilisation, and medical costs were evaluated for 12 months pre- and post-diagnosis. RESULTS: Mean age was 55 years; 90% were female. At diagnosis, SS patients were most often seen by rheumatologists (39%) or internists (14.2%); the most common concurrent autoimmune conditions were rheumatoid arthritis (17.9%) and systemic lupus erythematosus (14.6%). Other common comorbidities were hypertension (37.6%), osteoarthritis (31.4%), and hyperlipidaemia/dyslipidaemia (30.3%). Post diagnosis of SS, claims for myocardial infarction and coronary artery bypass graft doubled. Medications of interest prescribed post-diagnosis were eye/mouth drugs (32.2%) and synthetic immunosuppressants (32.1%). Biologic drugs were prescribed to a minority (TNF inhibitors, ~5.0%; non-TNF inhibitors, 1%). Of note, prescriptions for all systemic immunotherapies (synthetic and biologic) were significantly lower in the subgroup without concurrent autoimmune disease, and 15.1% of the overall population had no SS-related prescriptions. Post diagnosis, total medical resource utilisation and total medical costs increased (1.2 and 1.4-fold, respectively). CONCLUSIONS: In this retrospective, real-world analysis, medical claims in the first year after SS diagnosis revealed that cardiovascular (CV) events increased and all-cause healthcare costs grew by 40%. Pharmacologic management consisted primarily of low potency immunomodulation and symptomatic treatments. Systemic disease-modifying therapies were used mostly in patients who had another concurrent autoimmune disease, suggesting a lack of treatment options for SS.
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 | 0,000 | 0,002 |
| 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 | 0,001 |
| 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 ».