Predictive factors of severe infections in patients with systemic necrotizing vasculitides: data from 733 patients enrolled in five randomized controlled trials of the French Vasculitis Study Group
Notice bibliographique
Résumé
OBJECTIVES: Infections remain a major cause of morbidity and mortality in systemic necrotizing vasculitides (SNV). We aimed to identify factors predicting severe infections (SI) in SNV. METHODS: Data from five randomized controlled trials (RCTs) enrolling 733 patients were pooled. The primary end point was the occurrence of SI, defined by the need of a hospitalization and/or intravenous anti-infectious treatment and/or leading to death. RESULTS: After a median follow-up of 5.2 (interquartile range 3-9.7) years, 148 (20.2%) patients experienced 189 SI, and 98 (66.2%) presented their first SI within the first 2 years. Median interval from inclusion to SI was 14.9 (4.3-51.7) months. Age ≥65 years (hazard ratio (HR) 1.49 [1.07-2.07]; P=0.019), pulmonary involvement (HR 1.82 [1.26-2.62]; P=0.001) and Five Factor Score ≥1 (HR 1.21 [1.03-1.43]; P=0.019) were independent predictive factors of SI. Regarding induction therapy, the occurrence of SI was associated with the combination of GCs and CYC (HR 1.51 [1.03-2.22]; P = 0.036), while patients receiving only GCs were less likely to present SI (HR 0.69 [0.44-1.07]; P = 0.096). Finally, occurrence of SI had a significant negative impact on survival (P<0.001). CONCLUSION: SI in SNV are frequent and impact mortality. Age, pulmonary involvement and Five Factor Score are baseline independent predictors of SI. No therapeutic regimen was significantly associated with SI but patients receiving glucocorticoids and CYC as induction tended to have more SI.
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 | 0,016 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,006 | 0,010 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».