Performance of the 2016 ACR/EULAR SS classification criteria in patients with secondary Sjögren's syndrome.
Notice bibliographique
Résumé
OBJECTIVES: To evaluate the performance of the 2016 ACR-EULAR classification Sjögren's syndrome (SS) criteria for classifying patients with secondary SS. METHODS: We randomly selected 300 patients with systemic lupus erythematosus, rheumatoid arthritis and scleroderma, as well as 50 with primary SS. SS diagnosis was established by two independent rheumatologists and was based on the combination of symptoms, signs, diagnostic tests and medical chart review. We evaluated the fulfillment of the 2002 AECG, 2012 ACR and 2016 ACR/EULAR criteria, and their performance using as the gold standard the clinical diagnosis. RESULTS: We identified 154 patients with a clinical (definitive/probable) SS diagnosis, 95 patients (61.7%) fulfilled the AECG, 96 patients (62.3%) the ACR and 90 (58.4%) the 2016 ACR/EULAR criteria. Among the subset with definitive SS clinical diagnosis (n=99), 83 patients (83.8%) fulfilled the AECG, 77 (77.7%) the ACR and 79 (79.7%) the 2016 ACR/EULAR criteria. The concordance rate between the clinical diagnosis (definitive/probable) and the AECG, ACR and 2016 ACR/ EULAR criteria was κ=0.58, κ=0.55 and κ=0.60, respectively. The 2016 ACR/EULAR criteria showed the best AUCs results (0.87 definitive/probable diagnosis, 0.90 definitive diagnosis), followed by the AECG (0.82 definitive/probable diagnosis, 0.85 definitive diagnosis) and ACR (0.80 definitive/probable diagnosis, 0.79 definitive diagnosis) criteria. As a sensitivity analysis, the results were similar when excluding patients with primary SS. CONCLUSIONS: Our study provides further evidence that the 2016 ACR/EULAR criteria are applicable in the setting of secondary SS.
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 | 0,000 |
| 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 ».