Construction of a Frailty Index as a Novel Health Measure in Systemic Lupus Erythematosus
Notice bibliographique
Résumé
OBJECTIVE: To construct a Frailty Index (FI) as a measure of vulnerability to adverse outcomes among patients with systemic lupus erythematosus (SLE), using data from the Systemic Lupus International Collaborating Clinics (SLICC) inception cohort. METHODS: The SLICC inception cohort consists of recently diagnosed patients with SLE followed annually with clinical and laboratory assessments. For this analysis, the baseline visit was defined as the first study visit at which sufficient information was available for construction of an FI. Following a standard procedure, variables from the SLICC database were evaluated as potential health deficits. Selected health deficits were then used to generate a SLICC-FI. The prevalence of frailty in the baseline dataset was evaluated using established cutpoints for FI values. RESULTS: The 1683 patients with SLE (92.1% of the overall cohort) eligible for inclusion in the baseline dataset were mostly female (89%) with mean (SD) age 35.7 (13.4) years and mean (SD) disease duration 18.8 (15.7) months at baseline. Of 222 variables, 48 met criteria for inclusion in the SLICC-FI. Mean (SD) SLICC-FI was 0.17 (0.08) with a range from 0 to 0.51. At baseline, 27.1% (95% CI 25.0-29.2) of patients were classified as frail, based on SLICC-FI values > 0.21. CONCLUSION: The SLICC inception cohort permits feasible construction of an FI for use in patients with SLE. Even in a relatively young cohort of patients with SLE, frailty was common. The SLICC-FI may be a useful tool for identifying patients with SLE who are most vulnerable to adverse outcomes, but validation of this index is required prior to its use.
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 | 0,003 | 0,001 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 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) | 0,000 | 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 ».