Variability in Global Prevalence of Interstitial Lung Disease
Notice bibliographique
Résumé
There are limited epidemiologic studies describing the global burden and geographic heterogeneity of interstitial lung disease (ILD) subtypes. We found that among seventeen methodologically heterogenous studies that examined the incidence, prevalence and relative frequencies of ILDs, the incidence of ILD ranged from 1 to 31.5 per 100,000 person-years and prevalence ranged from 6.3 to 71 per 100,000 people. In North America and Europe, idiopathic pulmonary fibrosis and sarcoidosis were the most prevalent ILDs while the relative frequency of hypersensitivity pneumonitis was higher in Asia, particularly in India (10.7-47.3%) and Pakistan (12.6%). The relative frequency of connective tissue disease ILD demonstrated the greatest geographic variability, ranging from 7.5% of cases in Belgium to 33.3% of cases in Canada and 34.8% of cases in Saudi Arabia. These differences may represent true differences based on underlying characteristics of the source populations or methodological differences in disease classification and patient recruitment (registry vs. population-based cohorts). There are three areas where we feel addition work is needed to better understand the global burden of ILD. First, a standard ontology with diagnostic confidence thresholds for comparative epidemiology studies of ILD is needed. Second, more globally representative data should be published in English language journals as current literature has largely focused on Europe and North America with little data from South America, Africa and Asia. Third, the inclusion of community-based cohorts that leverage the strength of large databases can help better estimate population burden of disease. These large, community-based longitudinal cohorts would also allow for tracking of global trends and be a valuable resource for collective study. We believe the ILD research community should organize to define a shared ontology for disease classification and commit to conducting global claims and electronic health record based epidemiologic studies in a standardized fashion. Aggregating and sharing this type of data would provide a unique opportunity for international collaboration as our understanding of ILD continues to grow and evolve. Better understanding the geographic and temporal patterns of disease prevalence and identifying clusters of ILD subtypes will facilitate improved understanding of emerging risk factors and help identify targets for future intervention.
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 | 0,004 | 0,010 |
| 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 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».