New Features for Measuring Disease Activity in Pediatric Localized Scleroderma
Notice bibliographique
Résumé
OBJECTIVE: To identify clinical features that define disease activity in pediatric localized scleroderma (LS), and determine their specificity and importance. METHODS: We conducted a multicenter prospective study of patients with active and inactive LS skin lesions. A standardized evaluation of a single designated study lesion per subject was performed at 3 visits. We evaluated the pattern and correlation between assessed features and physician's global assessments of activity (PGA-A). RESULTS: Ninety of 103 subjects had evaluable data; 66 had active and 24 inactive disease. Subjects had similar age of onset, sex, and disease patterns. Linear scleroderma was the most common subtype. Features specific for active disease included erythema, violaceous color, tactile warmth, abnormal skin texture, and disease extension. Scores for these variables changed over time and correlated with PGA-A of the lesion. Active and inactive lesions could not be distinguished by the presence or level of skin thickening, either of lesion edge or center. However, in active lesions, skin thickening scores did correlate with PGA-A scores. Regression analysis identified the combination of erythema, disease extension, violaceous color, skin thickening, and abnormal texture as predictive of PGA-A at study entry. Damage features were common irrespective of activity status. CONCLUSION: We identified variables strongly associated with disease activity, expanding upon those used in current measures, and determined their relative importance in physician activity scoring. Skin thickening was found to lack specificity for disease activity. These results will help guide development of a sensitive, responsive activity tool to improve care of patients with LS.
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 | 0,001 | 0,001 |
| 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 ».