Myositis in systemic lupus erythematosus
Notice bibliographique
Résumé
OBJECTIVES: Myositis is an infrequent feature of SLE and may often be overlooked. We aimed to estimate the incidence of myositis in SLE, and to determine demographic and clinical factors associated with it. METHODS: Within our lupus cohort, we identified potential myositis cases using the SLICC Damage Index for muscle atrophy or weakness, the SLEDAI-2K item for myositis, and annually measured serum creatinine kinase. Cases were confirmed through chart review. We performed descriptive analyses of prevalent myositis cases as of January 2000. From that point onward, we studies patients without myositis to determine risk of incident myositis, using cohort analyses adjusted for demographic variables (age, sex, race/ethnicity). RESULTS: As of January 2000, there were 5 prevalent myositis cases in our SLE cohort. Among 560 SLE patients with a study visit from January 2000 onward, with no history of myositis at baseline, 5 new cases (4 females, 1 male) were identified over an average follow-up of 8.5 years (incidence 1.05 cases per 1000 person-years). There was a higher proportion of Caucasians in the non-myositis group versus myositis group, with a trend for fewer females in the myositis cases. Arthritis, Raynaud's phenomenon, and anti-Smith antibodies were common pre-existing features, occurring in all incident myositis cases. In Cox regression analyses adjusting for age, race/ethnicity and sex, non-Caucasian patients had a markedly increased risk of developing myositis. CONCLUSION: We found a low incidence of myositis in our SLE cohort. A cluster of variables, particularly non-Caucasian race/ethnicity, arthritis, Raynaud's phenomenon, and anti-Smith antibodies were associated with risk of developing myositis in SLE. These variables may aid clinicians in identifying SLE patients at highest risk for this important complication.
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 | 0,000 |
| 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 ».