Antiproteinase-3 (PR3)-Antineutrophil Cytoplasmic Atibody (ANCA) as a Predictor for Relapse in Antineutrophil Cytoplasmic Antibody-Associated Vasculitis: A Meta-Analysis
Notice bibliographique
Résumé
BACKGROUND:Several predictive markers are related to the relapse of antineutrophil cytoplasmic antibody (ANCA)-associated small-vessel vasculitis (AAV). However, the conclusions are not definite, especially for antiproteinase-3 ANCA (PR3-ANCA). This study evaluated the value of PR3-ANCA in predicting relapse of AAV. MATERIAL AND METHODS:Four databases (PubMed, Embase, Web of Science, and Cochrane Library) were searched. The cohort studies that assessed the factors associated with AAV relapse were included. Study quality was assessed using the Newcastle-Ottawa scale. The hazard ratios (HR) were analyzed using fixed-effects models. The sensitivity and publication bias analysis was performed to verify the reliability of the results. RESULTS:A total of 14 studies, including 2761 participants, were evaluated in this meta-analysis. Fixed-effects pooling showed a significant association between PR3-ANCA and the relapse of AAV (pooled HR 1.829, 95% CI 1.591-2.103) compared to MPO (myeloperoxidase)-ANCA. In addition, AAV patients with lung involvement were 1.6 times more likely to have relapse (pooled HR 1.635, 95% CI 1.324-2.064) compared to those without lung involvement. The other factors, including age, sex, kidney-limited disease, granulomatosis with polyangiitis, upper respiratory involvement, and serum creatinine, could not predict AAV relapse according to the results of fixed-effects pooling. CONCLUSIONS:PR3-ANCA and lung involvement could be used to predict occurrence of AAV relapse.
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 | 0,013 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,016 | 0,036 |
| Bibliométrie | 0,002 | 0,013 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».