MétaCan
Menu
Retour à la cohorte
Enregistrement W2928276802 · doi:10.1093/rheumatology/kez058.024

084. DISCOVERY AND VALIDATION OF A NOVEL ANGIOGRAPHIC CLASSIFICATION SCHEME IN TAKAYASU’S ARTERITIS

2019· article· en· W2928276802 sur OpenAlexaff
Katherine Gribbons, Ruchika Goel, David Cuthbertson, Simon Carette, Gary S. Hoffman, George Joseph, Nader Khalidi, Curry L. Koening, Carol A. Langford, Kathleen Maksimowicz‐McKinnon, Carol A. McAlear, Paul A. Monach, Larry W. Moreland, Aswin Nair, Christian Pagnoux, Raheesh Ravindran, Philip Seo, Antoine G. Sreih, Kenneth J. Warrington, Steven R. Ytterberg, Peter A. Merkel, Debashish Danda, Peter C. Grayson

Notice bibliographique

RevueLara D. Veeken · 2019
Typearticle
Langueen
DomaineMedicine
ThématiqueVasculitis and related conditions
Établissements canadiensMount Sinai HospitalSt. Joseph's HospitalUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésMedicineTakayasu arteritisClassification schemeArteritisTakayasu's arteritisRadiologyVasculitisInternal medicineMachine learningDiseaseComputer science

Résumé

récupéré en direct d'OpenAlex

Background: Takayasu’s arteritis (TAK) is characterized by variable patterns of damage throughout the large arteries. Methods: Data was used from patients with TAK from four independent cohorts: one in India and three in North America (NA). All patients underwent whole-body angiography of the aorta and branch vessels, with categorization of involvement (stenosis, occlusion, or aneurysm) in 13 arterial territories. K-means cluster analysis was performed to identify subgroups of patients based on pattern of angiographic involvement. Cluster groups were identified in the Indian cohort and independently validated in the NA cohorts. Results: 581 and 225 patients with TAK were included from the Indian and NA cohorts, respectively. Three distinct clusters were identified in the Indian cohort and validated in the NA cohorts. Patients in Cluster 1 had significantly more disease in the abdominal aorta, renal, and mesenteric arteries (p < 0.01). Patients in Cluster 2 had significantly more bilateral disease in the carotid and subclavian arteries (p < 0.01). Compared to Clusters 1 and 2, patients in Cluster 3 had asymmetric disease with fewer involved territories (p < 0.01). In the Indian and the NA cohorts, patients in Clusters 1 and 2 compared to Cluster 3 were more likely to have arterial occlusions (58% vs 82% vs 37%; p < 0.01) and a history of tuberculosis (8% vs 10% vs 3%; p = 0.03). Disease onset in childhood (28% vs 16% vs 19%; p < 0.01) and hypertension (71% vs 42% vs 39%; p < 0.01) were more common in Cluster 1. Stroke (0% vs 22% vs 5%; p = 0.03), vision loss (0% vs 33% vs 6%; p = 0.01), carotidynia (3% vs 26% vs 9%; p = 0.01) and persistent disease activity (46% vs 59% vs 44%; p = 0.02) were significantly more prevalent in Cluster 2. Conclusion: This large study in TAK identified and validated three novel subsets of patients based on patterns of arterial disease. Angiographic-based disease classification may help identify causal disease factors and enable stratified clinical decision making in this complex, clinically heterogeneous disease. Disclosures: Intramural NIAMS Program and the VCRC Abstract 084 Table 1: <0.01 Temporal artery examination abnormality defined as cord-like, tender, or absent/diminished pulse. Pulse abnorn1ality defined as reduced or absent pulse. LV involvement defined as presence of stenosis, occlusion, aneurysm, FDG uptake, or halo sign on angiogram (MR, CT, catheter), PET or ultrasound in the aorta or branch arteries (excluding temporal artery).

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)0,005
score de la tête « metaresearch » (Gemma)0,010
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,028

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0050,010
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0020,001
Études des sciences et des technologies0,0010,001
Communication savante0,0020,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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.

Tête enseignante Opus0,018
Tête enseignante GPT0,252
Écart entre enseignants0,234 · 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'étudeObservationnel
Domainenon disponible
GenreEmpirique

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

En bref

Citations0
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueLara D. VeekenMême sujetVasculitis and related conditionsTravaux en français237 207