Biologic Switching Among Nonsystemic Juvenile Idiopathic Arthritis Patients: A Cohort Study in the Childhood Arthritis and Rheumatology Research Alliance Registry
Notice bibliographique
Résumé
OBJECTIVE: Biologic medications have significantly improved disease control and outcomes of patients with juvenile idiopathic arthritis (JIA). Current treatment recommendations suggest escalating therapy, including changing biologics if needed, when inactive or low disease activity is not attained. The patterns and reasons for switching biologics in clinical practice in North America are not well described. METHODS: We used the Childhood Arthritis and Rheumatology Research Alliance Registry and included individuals with JIA if they newly started a biologic after January 1, 2008, and had at least 12 months of subsequent observable time. Subjects with systemic JIA were excluded. We compared characteristics of switchers and nonswitchers using chi-square for categorical variables and Wilcoxon rank-sum test for continuous variables, and used linear regression for time analysis. RESULTS: Of the eligible children, 1361 with JIA in the registry started a biologic (94% tumor necrosis factor inhibitors [TNFi]). Median followup time was 30 months and 349 (26%) switched biologics. Among biologic switchers, ineffectiveness/disease flare was the most common reason for switch (202, 58%). The most common documented switch was from etanercept to another TNFi (221, 63%). The median time to switch to a second biologic decreased substantially from 55.2 months in 2008 to 7.2 months in 2016. CONCLUSION: In a multicenter cohort of patients with JIA starting a biologic, one-quarter switched to a second biologic, and the time to switching decreased in recent years. Additional studies should evaluate the outcomes and optimal timing of switching and preferred sequence of biologic use.
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 | 0,008 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».