Subsets in systemic sclerosis: one size does not fit all
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Purpose Systemic sclerosis (SSc) is a heterogeneous disease that is often divided into subsets to stratify patients and predict prognosis. We hypothesized that individual methods of subsetting would not prognosticate equally well for different outcomes or in patients at different stages of disease. Methods We subsetted subjects with SSc using three approaches: limited versus diffuse cutaneous SSc (lcSSc, dcSSc); grouped by SSc-specific antibodies; and, grouped using unsupervised clustering. We studied patients with <2 years or between 2-4 years of disease duration, separately. Outcomes were time to death and time to development of (a) SF-36 Physical Component Score <40, (b) forced vital capacity <70% predicted, (c) echocardiographic pulmonary hypertension, and (d) interstitial lung disease. We used Cox proportional hazards models to determine the ability of the subsets to predict the outcomes of interest, and Akaike Information Criterion (AIC) and Bayesian Information Criterion (BIC) to compare the performance of the models. Results In this international, multicentered cohort of over 500 SSc subjects with less than four years of disease duration, none of the three methods of subsetting studied was able to predict all of the outcomes of interest. Different subsetting methods predicted different outcomes within and between each disease duration group. In general, subsetting by skin performed somewhat better than the two other methods, but this was not consistent and there was considerable variability in the models. Conclusions Subsetting SSc to consistently predict morbidity and mortality in subjects at different stages of disease remains an important challenge.
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.
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 | 0,001 | 0,000 |
| 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 | 0,000 |
| 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 découle