Predictors of disease worsening defined by progression of organ damage in diffuse systemic sclerosis: a European Scleroderma Trials and Research (EUSTAR) analysis
Notice bibliographique
Résumé
OBJECTIVES: Mortality and worsening of organ function are desirable endpoints for clinical trials in systemic sclerosis (SSc). The aim of this study was to identify factors that allow enrichment of patients with these endpoints, in a population of patients from the European Scleroderma Trials and Research group database. METHODS: Inclusion criteria were diagnosis of diffuse SSc and follow-up over 12±3 months. Disease worsening/organ progression was fulfilled if any of the following events occurred: new renal crisis; decrease of lung or heart function; new echocardiography-suspected pulmonary hypertension or death. In total, 42 clinical parameters were chosen as predictors for the analysis by using (1) imputation of missing data on the basis of multivariate imputation and (2) least absolute shrinkage and selection operator regression. RESULTS: Of 1451 patients meeting the inclusion criteria, 706 had complete data on outcome parameters and were included in the analysis. Of the 42 outcome predictors, eight remained in the final regression model. There was substantial evidence for a strong association between disease progression and age, active digital ulcer (DU), lung fibrosis, muscle weakness and elevated C-reactive protein (CRP) level. Active DU, CRP elevation, lung fibrosis and muscle weakness were also associated with a significantly shorter time to disease progression. A bootstrap validation step with 10 000 repetitions successfully validated the model. CONCLUSIONS: The use of the predictive factors presented here could enable cohort enrichment with patients at risk for overall disease worsening in SSc clinical trials.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| 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 ».