Population-based Clinical Practice Research Datalink study using algorithm modelling to identify the true burden of hidradenitis suppurativa
Notice bibliographique
Résumé
Summary Background Epidemiology data regarding hidradenitis suppurativa (HS) are conflicting and prevalence estimates vary 80-fold, from 0·05% in a population-based study to 4%. Objectives To assess the hypothesis that previous population-based studies underestimated true HS prevalence by missing undiagnosed cases. Methods We performed a population-based observational and case–control study using the U.K. Clinical Practice Research Datalink (CPRD) linked to hospital episode statistics data. Physician-diagnosed cases in the CPRD were identified from specific Read codes. Algorithms identified unrecognized ‘proxy’ cases, with at least five Read code records for boils in flexural skin sites. Validation of proxy cases was undertaken with general practitioner (GP) questionnaires to confirm criteria-diagnosed cases. A case–control study assessed disease associations. Results On 30 June 2013, 23 353 physician-diagnosed HS cases were documented in 4 364 308 research-standard records. In total, 68 890 proxy cases were identified, reduced to 10 146 criteria-diagnosed cases after validation, extrapolated from 107 completed questionnaires (61% return rate). Overall point prevalence was 0·77% [95% confidence interval (CI) 0·76–0·78%]. An additional 18 417 cases had a history of one to four flexural skin boils. In physician-diagnosed cases, odds ratios (ORs) for current smoker and obesity (body mass index > 30 kg m-2) were 3·61 (95% CI 3·44–3·79) and 3·29 (95% CI 3·14–3·45). HS was associated with type 2 diabetes, Crohn disease, hyperlipidaemia, acne and depression, and not associated with ulcerative colitis or polycystic ovary syndrome. Conclusions Contrary to results of previous population-based studies, HS is relatively common, with a U.K. prevalence of 0·77%, one-third being unrecognized, criteria-diagnosed cases using the most stringent disease definition. If individuals with probable cases are included, HS prevalence rises to 1·19%.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,049 | 0,132 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».