Development and validation of the Kids Disability Screen for children with juvenile idiopathic arthritis: results from the CAPRI Registry
Notice bibliographique
Résumé
OBJECTIVE: The aim of this study was to develop and validate a brief disability screen for children with JIA, the Kids Disability Screen (KDS). METHODS: A total of 216 children enrolled in the Canadian Alliance of Pediatric Rheumatology Investigators (CAPRI) Registry in 2017-2018 formed a development cohort, and 220 children enrolled in 2019-2020 formed a validation cohort. At every clinic visit, parents answered two questions derived from the Childhood Health Assessment Questionnaire (CHAQ): 'Is it hard for your child to run and play BECAUSE OF ARTHRITIS?' ('Hard' 0-10), and 'Does your child usually need help from you or another person BECAUSE OF ARTHRITIS?' ('Help', 0-10). We used 36-fold cross-validation and tested nine different mathematical methods to combine the answers and optimize psychometric properties. The results were confirmed in the validation cohort. RESULTS: Expressed as the mean of the two answers, KDS best balanced ease of use and psychometric properties, while a LASSO regression model combining the two answers with other patient characteristics [estimated CHAQ [eCHAQ]) had the highest responsiveness. In the validation cohort, 22.7%, 25.9% and 28.6% of patients had a score of 0 at enrolment for the KDS, eCHAQ and CHAQ, respectively. Responsiveness was 0.67, 0.74 and 0.62, respectively. Sensitivity to detect a CHAQ > 0 was 0.90 and specificity 0.56, KDS detecting some disability in 44% of children with a CHAQ = 0. CONCLUSION: This simple KDS has psychometric properties comparable with those of a full CHAQ and may be used at every clinic visit to identify those children who need a full disability assessment.
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 | 0,001 | 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 ».