The Performances of the ACR 1997, SLICC 2012, and EULAR/ACR 2019 Classification Criteria in Pediatric Systemic Lupus Erythematosus
Notice bibliographique
Résumé
OBJECTIVE: Systemic lupus erythematosus (SLE) is a chronic autoimmune disease. The American College of Rheumatology (ACR) 1997, Systemic Lupus International Collaborating Clinics (SLICC) 2012, and European League Against Rheumatism (EULAR)/ACR 2019 SLE classification criteria are formed based on data mainly from adult patients. We aimed to test the performances of the SLE classification criteria among pediatric patients with SLE. METHODS: Pediatric patients with SLE (n = 262; 80.9% female) were included from 3 different centers in Turkey. As controls, 174 children (60.9% female) with other diseases who had ANA (antinuclear antibody) test results were included. The gold standard for SLE diagnosis was expert opinion. RESULTS: The sensitivities of the ACR 1997, SLICC 2012, and EULAR/ACR 2019 criteria were 68.7%, 95.4%, and 91.6%, respectively. The specificities of the ACR 1997, SLICC 2012, and EULAR/ACR 2019 criteria were 94.8%, 89.7%, and 88.5%, respectively. Eighteen patients with SLE met the SLICC 2012 but not the EULAR/ACR 2019 criteria. Among these, hematologic involvement was prominent (n = 13; 72.2%). Eight patients with SLE fulfilled the EULAR/ACR 2019 but not the SLICC 2012 criteria. Among these, joint involvement was prominent (n = 6; 75%). CONCLUSION: To our knowledge, this is the largest cohort study of pediatric SLE to test the performances of all 3 classification criteria. The SLICC 2012 criteria yielded the best sensitivity, whereas the ACR 1997 criteria had the best specificity. SLICC 2012 criteria performed better than EULAR/ACR 2019 criteria. Separation of different hematological manifestations in the SLICC 2012 criteria might have contributed to the higher performance of this criteria set.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».