Data-driven definitions for active and structural MRI lesions in the sacroiliac joint in spondyloarthritis and their predictive utility
Notice bibliographique
Résumé
OBJECTIVES: To determine quantitative SI joint MRI lesion cut-offs that optimally define a positive MRI for inflammatory and structural lesions typical of axial SpA (axSpA) and that predict clinical diagnosis. METHODS: The Assessment of SpondyloArthritis international Society (ASAS) MRI group assessed MRIs from the ASAS Classification Cohort in two reading exercises where (A) 169 cases and 7 central readers; (B) 107 cases and 8 central readers. We calculated sensitivity/specificity for the number of SI joint quadrants or slices with bone marrow oedema (BME), erosion, fat lesion, where a majority of central readers had high confidence there was a definite active or structural lesion. Cut-offs with ≥95% specificity were analysed for their predictive utility for follow-up rheumatologist diagnosis of axSpA by calculating positive/negative predictive values (PPVs/NPVs) and selecting cut-offs with PPV ≥ 95%. RESULTS: Active or structural lesions typical of axSpA on MRI had PPVs ≥ 95% for clinical diagnosis of axSpA. Cut-offs that best reflected a definite active lesion typical of axSpA were either ≥4 SI joint quadrants with BME at any location or at the same location in ≥3 consecutive slices. For definite structural lesion, the optimal cut-offs were any one of ≥3 SI joint quadrants with erosion or ≥5 with fat lesions, erosion at the same location for ≥2 consecutive slices, fat lesions at the same location for ≥3 consecutive slices, or presence of a deep (i.e. >1 cm depth) fat lesion. CONCLUSION: We propose cut-offs for definite active and structural lesions typical of axSpA that have high PPVs for a long-term clinical diagnosis of axSpA for application in disease classification and clinical research.
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 ».