Effectiveness of TNF-inhibitors, abatacept, IL6-inhibitors and JAK-inhibitors in 31 846 patients with rheumatoid arthritis in 19 registers from the ‘JAK-pot’ collaboration
Notice bibliographique
Résumé
BACKGROUND: JAK-inhibitors (JAKi), recently approved in rheumatoid arthritis (RA), have changed the landscape of treatment choices. We aimed to compare the effectiveness of four current second-line therapies of RA with different modes of action, since JAKi approval, in an international collaboration of 19 registers. METHODS: In this observational cohort study, patients initiating tumour necrosis factor inhibitors (TNFi), interleukin-6 inhibitors (IL-6i), abatacept (ABA) or JAKi were included. We compared the effectiveness of these treatments in terms of drug discontinuation and Clinical Disease Activity Index (CDAI) response rates at 1 year. Analyses were adjusted for patient, disease and treatment characteristics, including lines of therapy and accounted for competing risk. RESULTS: We included 31 846 treatment courses: 17 522 TNFi, 2775 ABA, 3863 IL-6i and 7686 JAKi. Adjusted analyses of overall discontinuation were similar across all treatments. The main single reason of stopping treatment was ineffectiveness. Compared with TNFi, JAKi were less often discontinued for ineffectiveness (adjusted HR (aHR) 0.75, 95% CI 0.67 to 0.83), as was IL-6i (aHR 0.76, 95% CI 0.67 to 0.85) and more often for adverse events (aHR 1.16, 95% CI 1.03 to 1.33). Adjusted CDAI response rates at 1 year were similar between TNFi, JAKi and IL-6i and slightly lower for ABA. CONCLUSION: The adjusted overall drug discontinuation and 1 year response rates of JAKi and IL-6i were similar to those observed with TNFi. Compared with TNFi, JAKi were more often discontinued for adverse events and less for ineffectiveness, as were IL-6i.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».