Evaluation of the <scp>EULAR</scp>/American College of Rheumatology Classification Criteria for Systemic Lupus Erythematosus in a <scp>Population‐Based</scp> Registry
Notice bibliographique
Résumé
OBJECTIVE: Using the Manhattan Lupus Surveillance Program, a multiracial/ethnic population-based registry, we aimed to compare 3 commonly used classification criteria for systemic lupus erythematosus (SLE) to identify unique cases and determine the incidence and prevalence of SLE using the EULAR/American College of Rheumatology (ACR) criteria. METHODS: SLE cases were defined as fulfilling the 1997 ACR, the Systemic Lupus International Collaborating Clinics (SLICC), or the EULAR/ACR classification criteria. We quantified the number of cases uniquely associated with each and the number fulfilling all 3 criteria. Prevalence and incidence using the EULAR/ACR classification criteria and associated 95% confidence intervals (95% CIs) were calculated. RESULTS: A total of 1,497 cases fulfilled at least 1 of the 3 classification criteria, with 1,008 (67.3%) meeting all 3 classifications, 138 (9.2%) fulfilling only the SLICC criteria, 35 (2.3%) fulfilling only the 1997 ACR criteria, and 34 (2.3%) uniquely fulfilling the EULAR/ACR criteria. Patients solely satisfying the EULAR/ACR criteria had <4 manifestations. The majority classified only by the 1997 ACR criteria did not meet any of the defined immunologic criteria. Patients fulfilling only the SLICC criteria did so based on the presence of features unique to this system. Using the EULAR/ACR classification criteria, age-adjusted overall prevalence and incidence rates of SLE in Manhattan were 59.6 (95% CI 55.9-63.4) and 4.9 (95% CI 4.3-5.5) per 100,000 population, with age-adjusted prevalence and incidence rates highest among non-Hispanic Black female patients. CONCLUSION: Applying the 3 commonly used classification criteria to a population-based registry identified patients with SLE fulfilling only 1 validated definition. The most recently developed EULAR/ACR classification criteria revealed prevalence and incidence estimates similar to those previously established for the ACR and SLICC classification schemes.
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 | 0,011 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».