Serious Infection Rates Among Children With Systemic Lupus Erythematosus Enrolled in Medicaid
Notice bibliographique
Résumé
OBJECTIVE: To investigate the nationwide prevalence and incidence of serious infections among children with systemic lupus erythematosus (SLE) enrolled in Medicaid, the US health insurance program for low-income patients. METHODS: From Medicaid claims (2000-2006) we identified children ages 5 to <18 years with SLE (≥3 International Classification of Diseases, Ninth Revision [ICD-9] codes of 710.0, each >30 days apart) and lupus nephritis (LN; ≥2 ICD-9 codes for kidney disease on/after SLE codes). From hospital discharge diagnoses, we identified infection subtypes (bacterial, fungal, and viral). We calculated incidence rates (IRs) per 100 person-years, mortality rates, and hazard ratios adjusted for sociodemographic factors, medications, and preventive care. RESULTS: Among 3,500 children with identified SLE, 1,053 serious infections occurred over 10,108 person-years; the IR was 10.42 per 100 person-years (95% confidence interval [95% CI] 9.80-11.07) among all those with SLE and 17.65 per 100 person-years (95% CI 16.29-19.09) among those with LN. Bacterial infections were most common (87%, of which 39% were bacterial pneumonias). In adjusted models, African Americans and American Indians had higher rates of infections compared with white children, and those with comorbidities or receiving corticosteroids had higher infection rates than those without. Males had lower rates of serious infections compared to females. The 30-day postdischarge mortality rate was 4.4%. CONCLUSION: Overall, hospitalized infections were very common in children with SLE, with bacterial pneumonia being the most common infection. Highest infection risks were among African American and American Indian children, those with LN, comorbidities, and those taking corticosteroids.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».