Predictors of Success in Gout Treatment
Notice bibliographique
Résumé
In this issue of The Journal , Singh, et al , from the University of Alabama, asked the key question regarding outcomes for people with gout: what are the factors associated with achieving and maintaining target serum urate (SU) concentrations with allopurinol1? To examine this, they have accessed a large, longitudinal cohort of patients with gout in the US Veterans Administration (VA) system from 2002 to 2012. To be included in the study, a patient needed a diagnostic code of gout for ≥ 1 inpatient episode or ≥ 2 outpatient visits, a new prescription for allopurinol, and a record in the VA system for at least 12 months. A successful outcome was achieving a target SU concentration of < 6 mg/dl (0.36 mmol/l) 14 days or more after the index allopurinol treatment. Successful maintenance was defined as those whose SU remained < 6 mg/dl at all subsequent measurements. There were 627,693 patients with gout in the VA system and 198,839 patients had a new prescription of allopurinol. However, only 41,153 had at least 1 SU result recorded and only 42% of these reached the target SU. This took a mean of 9 months to achieve. Only 17,402 incident allopurinol users had 2 or more SU results and of these, 42% achieved and maintained SU < 6 mg/dl for all blood samples tested over the period of observation. These findings are not surprising from what we know about outcomes for people with gout. However, they are depressing given that this form of arthritis can be controlled very well, if managed appropriately, in almost all … Address correspondence to Dr. R.O. Day, Department of Clinical Pharmacology and Toxicology, St. Vincent’s Hospital, Darlinghurst, Sydney 2010, Australia. E-mail: r.day{at}unsw.edu.au
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 | 0,002 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 ».