Prevalence and predictors of tumour necrosis factor inhibitor persistence in psoriatic arthritis
Notice bibliographique
Résumé
Objectives: To evaluate TNF-α inhibitor (TNFi) persistence when used as first- or second-line biologic therapy for the management of PsA, and to determine baseline clinical and laboratory parameters associated with TNFi persistence. Methods: A retrospective single-centre cohort study was performed on all patients with PsA initiated on TNFi therapy between 2003 and 2015. Demographic, clinical and laboratory characteristics were compared with TNFi persistence, using Kaplan-Meier survival and Cox proportional hazards models. Results: One hundred and eighty-eight patients with PsA were prescribed TNFi therapy as first-line biologic therapy over a period of 635 person-years [46% male, mean (s.d.) age 47.3 (11.4) years; median (interquartile range) disease duration 11 (7-16) years]. At 12 months of follow-up 79% of patients persisted with TNFi therapy, and 73% at 24 months. Of those discontinuing TNFi, 35% stopped due to primary inefficacy, 22% secondary inefficacy and 43% adverse events. Multivariable analysis identified female sex (hazard ratio (HR) 2.57; 95% CI: 1.26, 5.24; P = 0.01) and the presence of metabolic syndrome-related co-morbidities (HR = 2.65, 95% CI: 1.24, 5.69; P = 0.01) as predictors of lower persistence. Of 32 cases treated with a second TNFi, persistence at 12 months was 56%. TNFi persistence was 2-fold less likely in these 32 cases compared with first-line TNFi users (HR = 2.02, 95% CI: 1.20, 3.42; P = 0.01). Conclusion: Patients with PsA who are female and have metabolic syndrome-related co-morbidities have lower TNFi persistence. Although persistence was lower in patients who had switched to a second TNFi, a substantial proportion of these cases responded, advocating switching to a second TNFi as a valid therapeutic strategy.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 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 ».