Systemic Lupus Erythematosus Symptom Clusters and Their Association With Patient‐Reported Outcomes and Treatment: Analysis of Real‐World Data
Notice bibliographique
Résumé
OBJECTIVE: To identify discrete clusters of systemic lupus erythematosus (SLE) patients based on symptoms and investigate differences across clusters. METHODS: Data were collected in the US and 5 European countries via the Adelphi Real World Lupus Disease Specific Programme, a cross-sectional survey. Rheumatologists provided data for 5 consecutively consulting adult patients with SLE, who were invited to participate. Identified SLE symptoms were reduced to factors based on commonly concurrent symptoms, using principal-component factor analysis. Factors were used as covariates in a latent-class cluster analysis to identify discrete patient clusters. Patient-reported outcomes and physician-reported data were compared across clusters. RESULTS: Among 1,376 patients, 87% were female and 74% were White. We identified 4 patient clusters (very mild, mild, moderate, and severe) based on 39 signs/symptoms. Physician-reported symptom burden, organ involvement, disease activity, and the number of flares increased with increasing cluster severity (P < 0.0001). Patient-reported impact (health status, fatigue, work productivity impairment, anxiety/depression, and emotional impact) increased with increasing cluster severity (P < 0.0001). Glucocorticoid and immunosuppressant use increased, and antimalarial use decreased, with increasing cluster severity. In all clusters, <20% of patients received biologics; >15% of patients not receiving biologics were considered eligible for treatment by their physician. The proportion of physicians and patients satisfied with treatment decreased with increasing cluster severity (P < 0.0001). CONCLUSION: Our large, international, real-world survey of SLE patients and physicians demonstrated strong associations between increased impairment, organ involvement, and humanistic burden in SLE, highlighting an unmet need for effective treatment options in patients with high disease activity.
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 | 0,006 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».