Performance of the 2019 ACR/EULAR classification criteria for IgG4-related disease and clinical phenotypes in a Spanish multicentre registry (REERIGG4)
Notice bibliographique
Résumé
OBJECTIVES: Several IgG4-related disease (IgG4-RD) phenotypes have been proposed and the first set of classification criteria have been recently created. Our objectives were to assess the phenotype distribution and the performance of the classification criteria in Spanish patients as genetic and geographical differences may exist. METHODS: We performed a cross-sectional multicentre study (Registro Español de Enfermedad Relacionada con la IgG4, REERIGG4) with nine participating centres from Spain. Patients were recruited from November 2013 to December 2018. The 2019 American College of Rheumatology/European League Against Rheumatism classification criteria (AECC) were used. RESULTS: We included 105 patients; 88% had Caucasian ethnicity. On diagnosis, 86% met the international pathology consensus while 92% met the Japanese comprehensive criteria. The phenotype distribution was head and neck 25%, Mikulicz and systemic (MS) 20%, pancreato-hepato-biliary (PHB) 13%, retroperitoneal and aorta (RA) 26%. Sixteen per cent had an undefined phenotype. Seventy-seven per cent of the cases met the AECC. From the 24 patients not meeting the AECC, 33% met exclusion criteria, and 67% did not get a score ≥20 points. Incomplete pathology reports were associated to failure to meet the AECC. CONCLUSIONS: The PHB phenotype was rare among Spanish IgG4-RD patients. The MS phenotype was less frequent and the RA phenotype was more prevalent than in other, Asian patient series. An undefined phenotype should be considered as some patients do not fall into any of the categories. Three quarters of the cases met the 2019 AECC. Incomplete pathology reports were the leading causes of failure to meet the criteria.
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 | 0,001 |
| 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 ».