128 The lupus severity index is a predictor of damage and death in lupus patients
Notice bibliographique
Résumé
<h3>Background</h3> Predictors of poor outcome in systemic lupus erythematosus (SLE) may lead to the identification of high-risk patients at the onset of disease (incident cases) and/or when we first assess them in our clinics (prevalent cases). We tested whether the Lupus Severity Index (LSI) can help characterize high versus low risk lupus patients. <h3>Methods</h3> Population: Patients from six lupus centers were recruited according to a standard data collection protocol. We characterized incident cases and prevalent cases as those with a diagnosis made within or after the previous 15 months. Data collected: Demographic, socioeconomic, disease specific and medication data were collected at baseline and annually. We collected: the American College of Rheumatology (ACR) and the Systemic Lupus International Collaborating Clinics (SLICC) classification criteria, the SLE Disease Activity Index (SLEDAI), the Systemic Lupus Activity Questionnaire (SLAQ), and the SLICC Damage Index (SDI). The LSI was derived from the ACR classification criteria and used as a predictor variable. Statistical analyses: Kruskal-Wallis test and Spearman correlations were used to see the association of LSI with categorical and continuous variables respectively. The baseline LSI was used to predict outcomes at follow-ups using logistic regressions and Spearman correlations for dichotomous and continuous variables respectively. <h3>Results</h3> We enrolled 639 lupus patients and 440, 324 and 168 were re-evaluated at 1, 2 and 3 years. Baseline characteristics (table 1) [median (IQR)] were: age=49.0 (36.8–58.5) years, female=92%, Caucasian=74%, disease duration=10.1 (2.7–20.6) years. We had 129 (20%) incident cases and 471 (74%) prevalent cases with missing information in 39 (6%). Twelve patients died during follow-up. Table 1 summarizes baseline associations between LSI and several characteristics for the incident and prevalent cases. We found that age, sex, ethnicity (Asian worse LSI), SLICC classification criteria, SLEDAI, prednisone use and daily dose were associated with LSI in both incident and prevalent groups while the SDI and the use of immunosuppressors drugs was associated with LSI only in the prevalent cases. In follow-up, baseline LSI predicted SDI in prevalent cases (p=0.02) with a trend in incident cases (p=0.07). LSI predicted death in the prevalent group. <h3>Conclusions</h3> The LSI is easy to derive from the ACR classification criteria and a useful measure of severity in lupus. The LSI is associated with baseline characteristics, some of them - like disease activity and prednisone dose - modifiable. LSI can predict adverse outcome such as damage or death over time. <h3>Funding Source(s):</h3> Lupus Canada.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».