Serious infections in patients with myasthenia gravis: population‐based cohort study
Notice bibliographique
Résumé
BACKGROUND AND PURPOSE: To characterize the frequency and risk of serious infections in patients with myasthenia gravis (MG) relative to age/sex/area-matched comparators. METHODS: This was a population-based cohort study in Ontario, Canada of patients with newly-diagnosed MG and 1:4 age/sex/area-matched general population comparators accrued from 1 April 2002 to 31 December 2015. The main outcome was a serious infection, defined by a primary diagnosis code on a hospitalization or emergency department record. We computed crude overall and sex-specific rates of infection among patients with MG and comparators, and the frequency of specific types of infection. Adjusted hazard ratios and 95% confidence intervals were estimated using Cox regression. RESULTS: Among 3823 patients with MG, 1275 (33.4%) experienced a serious infection compared with 2973/15 292 (19.4%) of comparators over a mean follow-up of over 5 years. Crude infection rates among patients with MG were twice those in comparators (72.5 vs. 35.0 per 1000 person-years, respectively). The most common infection types were respiratory infections, particularly bacterial pneumonia. After adjustment for potential confounders, MG was associated with a 39% increased infection risk (adjusted hazard ratio, 1.39; 95% confidence intervals, 1.28-1.51). CONCLUSIONS: Patients with MG are at a significantly higher absolute and relative risk of serious infections compared with age/sex/area-matched comparators. This needs to be considered when selecting MG treatments and when planning vaccination/prophylaxis. Determining whether this risk is due to the use of immunosuppressive medications (vs. MG itself) is an important area for future research.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 ».