Predicting relapse in anti-neutrophil cytoplasmic antibody-associated vasculitis: a Systematic review and meta-analysis
Notice bibliographique
Résumé
OBJECTIVES: Relapses affect 30-50% of patients with ANCA-associated vasculitis (AAV) over 5 years, necessitating long-term treatment. Although there have been studies looking at predictors of relapse in AAV, this research has yet to translate clinically into guidance on tailored therapy. The aim of this systematic review was to identify and meta-analyse existing risk factors from the literature and produce a model to calculate individualised patient risk of relapse. METHOD: A search strategy was developed to include all studies identifying predictors of AAV relapse using multivariate analysis. Individual risk factors were extracted and pooled hazard ratios (HRs) calculated. A model to predict the time to first relapse based on identified risk factors was tested retrospectively using a cohort of patients with AAV. RESULTS: The review of 2674 abstracts identified 117 papers for full text review, with 16 eligible for inclusion. Pooled HRs were calculated from significant risk factors, including anti-PR3 ANCA positivity [HR 1.69 (95% CI 1.46, 1.94)], cardiovascular involvement [HR 1.78 (95% CI 1.26, 2.53)], creatinine >200 µmol/l (relative to creatinine ≤100) [HR 0.39 (95% CI 0.22, 0.69)] and creatinine 101-200 µmol/l [HR 0.81 (95% CI 0.77, 0.85)]. Using data from 182 AAV patients to validate the model gave a C-statistic of 0.61. CONCLUSION: Anti-PR3 ANCA positivity, lower serum creatinine and cardiovascular system involvement are all associated with an increased risk of relapse, and a combination of these risk factors can be used to predict the individualised risk of relapse. In order to produce a clinically useful model to stratify risk, we need to identify more risk factors, with a focus on robust biomarkers.
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 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,018 | 0,003 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».