Predicting Which Children with Juvenile Idiopathic Arthritis Will Have a Severe Disease Course: Results from the ReACCh-Out Cohort
Notice bibliographique
Résumé
OBJECTIVE: We studied an inception cohort of children with juvenile idiopathic arthritis (JIA) to (1) identify distinct disease courses based on changes over 5 years in 5 variables prioritized by patients, parents, and clinicians; and (2) estimate the probability of a severe disease course for each child at diagnosis. METHODS: , and silhouette statistics were used to identify distinct disease courses. One hundred candidate prediction models were developed in random samples of 75% of the cohort; their reliability and accuracy were tested in the 25% not used in their development. RESULTS: Four distinct courses were identified in 609 subjects. They differed in prioritized variables, disability scores, and probabilities of attaining inactive disease and remission. We named them Mild (43.8% of children), Moderate (35.6%), Severe Controlled (9%), and Severe Persisting (11.5%). A logistic regression model using JIA category, active joint count, and pattern of joint involvement at enrollment best predicted a severe disease course (Controlled + Persisting, c-index = 0.87); 91% of children in the highest decile of risk actually experienced a severe disease course, compared to 5% of those in the lowest decile. CONCLUSION: Children in this JIA cohort followed 1 of 4 disease courses and the probability of a severe disease course could be estimated with information available at diagnosis.
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 | 0,002 | 0,002 |
| 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 | 0,001 |
| 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 ».