Incidence rates of systemic lupus erythematosus in the USA: estimates from a meta-analysis of the Centers for Disease Control and Prevention national lupus registries
Notice bibliographique
Résumé
OBJECTIVE: To estimate the annual incidence rate of SLE in the USA. METHODS: A meta-analysis used sex/race/ethnicity-specific data spanning 2002-2009 from the Centers for Disease Control and Prevention network of four population-based state registries to estimate the incidence rates. SLE was defined as fulfilling the 1997 revised American College of Rheumatology classification criteria. Given heterogeneity across sites, a random effects model was employed. Applying sex/race/ethnicity-stratified rates, including data from the Indian Health Service registry, to the 2018 US Census population generated estimates of newly diagnosed SLE cases. RESULTS: The pooled incidence rate per 100 000 person-years was 5.1 (95% CI 4.6 to 5.6), higher in females than in males (8.7 vs 1.2), and highest among black females (15.9), followed by Asian/Pacific Islander (7.6), Hispanic (6.8) and white (5.7) females. Male incidence was highest in black males (2.4), followed by Hispanic (0.9), white (0.8) and Asian/Pacific Islander (0.4) males. The American Indian/Alaska Native population had the second highest race-specific SLE estimates for females (10.4 per 100 000) and highest for males (3.8 per 100 000). In 2018, an estimated 14 263 persons (95% CI 11 563 to 17 735) were newly diagnosed with SLE in the USA. CONCLUSIONS: A network of population-based SLE registries provided estimates of SLE incidence rates and numbers diagnosed in the USA.
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 | 0,027 | 0,049 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,010 | 0,046 |
| Bibliométrie | 0,008 | 0,009 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| 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 ».