Multicenter Delphi Exercise to Identify Important Key Items for Classifying Systemic Lupus Erythematosus
Notice bibliographique
Résumé
OBJECTIVE: The American College of Rheumatology and the European League Against Rheumatism embarked on a project to reevaluate classification criteria for systemic lupus erythematosus (SLE). The first phase of the classification project involved generation of a broad set of items potentially useful for classification of SLE and their selection for use in a subsequent forced-choice decision analysis. METHODS: A large international group of expert lupus clinicians was invited to participate in a 2-step process to generate, rate, and select items based on their importance in diagnosing early and established SLE, via a web-based survey. RESULTS: A total of 135 and 147 experts were invited to participate in the item-generation and item-reduction process, respectively. Of 145 items generated, item reduction resulted in 40 candidate items moving forward to the next phase. Key features for classifying both early and established SLE included characteristic autoantibodies, specific renal features, and skin manifestations. A small majority (51%) stated that 1 organ system would be sufficient for classifying SLE, but that additional typical laboratory features (antinuclear antibody, anti-double-stranded DNA) would be required. Notably, 85% of the expert group would positively classify SLE if renal pathology alone showed lupus nephritis. CONCLUSION: The Delphi exercise resulted in a set of 40 candidate criteria for the classification of SLE for subsequent assessment. This study comprised the largest panel ever involved in the development of SLE classification criteria, providing a broadly representative view of the current approach to classification of SLE.
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 | 0,004 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 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 ».