MétaCan
Menu
Retour à la cohorte
Enregistrement W2739107731 · doi:10.1093/rheumatology/kex255

Comment on: Cumulative immunosuppressant exposure is associated with diversified cancer risk among 14 832 patients with systemic lupus erythematosus

2017· letter· en· W2739107731 sur OpenAlexaff
Sasha Bernatsky, Ann E. Clarke, Rosalind Ramsey‐Goldman

Notice bibliographique

RevueLara D. Veeken · 2017
Typeletter
Langueen
DomaineMedicine
ThématiqueSystemic Lupus Erythematosus Research
Établissements canadiensUniversity of CalgaryMcGill University Health Centre
Organismes subventionnairesnon disponible
Mots-clésMedicineCumulative doseSystemic lupusCumulative riskCancerSystemic lupus erythematosusLupus erythematosusInternal medicineDermatologyOncologyImmunologyDisease

Résumé

récupéré en direct d'OpenAlex

Sir, We read with interest the study by Hsu et al. [1]. The authors’ use of catastrophic illness certificates is an admirable way of improving SLE identification within administrative data, although it is noteworthy that almost half of the subjects had an overlap with another rheumatic disease. The purpose of this letter is to point out three other interesting aspects of the study. The first was the authors’ attention to death as a competing risk. A competing risk is defined as an outcome that is of equal or greater importance than the primary outcome. However, by removing all SLE subjects who died, the authors risk introducing survivor bias as the remaining population will be healthier than the reference population [2]. The authors should consider repeating their analyses using an alternative statistical approach to account for the presence of competing risks. The second aspect of the study that we would like to comment on are the findings that although cyclophosphamide increased the overall cancer risk, anti-malarial treatment decreased the overall cancer risk. The multivariate analyses adjusted for various factors but they apparently did not adjust for the concomitant use of CYC, other immunosuppressants and anti-malarial drugs. We wonder whether a model that adjusted concomitantly for these exposures would reproduce the same results. Finally, the authors considered all cancer types as one outcome, though it may be that certain malignancies (e.g. haematological) are more likely to be associated with a medication like CYC (as opposed to lung cancer perhaps, where other factors, such as smoking, may be more important [3]). As the authors point out, 70% of their SLE cancer cases were not exposed to CYC. Alternative hypotheses for an increased risk of diffuse large B cell lymphoma (DLBCL) in SLE include genetic factors. Attempts to identify an increased occurrence of known susceptibility loci for DLBCL in SLE patients have not yet been fruitful [4]; however, using a huge dataset from recent InterLymph genome-wide association studies, two SLE-related single nucleotide polymorphisms were clearly associated with risk of DLBCL. These included the rs3024505 single nucleotide polymorphism on chromosome 1, a variant allele of IL10 (odds ratio per risk allele = 1.14; 95% CI: 1.05, 1.23), and the HLA SLE risk allele rs1270942 on chromosome 6 (odds ratio per risk allele = 1.20; 95% CI: 1.08, 1.33) [5]. In closing, we strongly encourage the authors to consider publishing additional results using statistical approaches to competing risk that avoid bias, and to adjust for concomitant use of CYC and anti-malarial drugs. Though additional analyses looking at the effects of drugs on specific cancer types do impose power limitations, these are also necessary to provide the most meaningful results. Funding: No specific funding was received from any bodies in the public, commercial or not-for-profit sectors to carry out the work described in this manuscript. Disclosure statement: The authors have declared no conflicts of interest.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,021
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Commentaire · Signal consensuel: Commentaire
Score de désaccord entre enseignants0,024
Score d'incertitude au seuil0,023

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,021
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0020,001
Communication savante0,0010,002
Science ouverte0,0020,001
Intégrité de la recherche0,0240,014
Charge utile insuffisante (le modèle a refusé de juger)0,0050,005

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.

Tête enseignante Opus0,023
Tête enseignante GPT0,270
Écart entre enseignants0,247 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreCommentaire

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2017
Routes d'admission1
Résumé présentnon

Explorer davantage

Même revueLara D. VeekenMême sujetSystemic Lupus Erythematosus ResearchTravaux en français237 207