Cluster analysis for the identification of clinical phenotypes among antiphospholipid antibody-positive patients from the APS ACTION Registry
Notice bibliographique
Résumé
OBJECTIVE: This study aimed to use cluster analysis (CA) to identify different clinical phenotypes among antiphospholipid antibodies (aPL)-positive patients. METHODS: The Alliance for Clinical Trials and International Networking (APS ACTION) Registry includes persistently positive aPL of any isotype based on the Sydney antiphospholipid syndrome (APS) classification criteria. We performed CA on the baseline characteristics collected retrospectively at the time of the registry entry of the first 500 patients included in the registry. A total of 30 clinical data points were included in the primary CA to cover the broad spectrum of aPL-positive patients. RESULTS: A total of 497 patients from international centres were analysed, resulting in three main exclusive clusters: (a) female patients with no other autoimmune diseases but with venous thromboembolism (VTE) and triple-aPL positivity; (b) female patients with systemic lupus erythematosus, VTE, aPL nephropathy, thrombocytopaenia, haemolytic anaemia and a positive lupus anticoagulant test; and (c) older men with arterial thrombosis, heart valve disease, livedo, skin ulcers, neurological manifestations and cardiovascular disease (CVD) risk factors. CONCLUSIONS: Based on our hierarchical cluster analysis, we identified different clinical phenotypes of aPL-positive patients discriminated by aPL profile, lupus or CVD risk factors. Our results, while supporting the heterogeneity of aPL-positive patients, also provide a foundation to understand disease mechanisms, create new approaches for APS classification and ultimately develop new management approaches.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».