MétaCan
Menu
Retour à la cohorte
Enregistrement W4293168444 · doi:10.1177/09612033221122158

Serologic phenotypes distinguish systemic lupus erythematosus patients developing interstitial lung disease and/or myositis

2022· article· en· W4293168444 sur OpenAlexaff
Thaisa Cotton, Marvin J. Fritzler, May Y. Choi, Boyang Zheng, Omid Zahedi Niaki, Christian A. Pineau, Luck Lukusa, Sasha Bernatsky

Notice bibliographique

RevueLupus · 2022
Typearticle
Langueen
DomaineMedicine
ThématiqueInflammatory Myopathies and Dermatomyositis
Établissements canadiensMcGill University Health CentreUniversity of CalgaryMcGill University
Organismes subventionnairesnon disponible
Mots-clésMedicineMyositisInterstitial lung diseaseInternal medicineHazard ratioCohortProportional hazards modelConfidence intervalGastroenterologyLung

Résumé

récupéré en direct d'OpenAlex

OBJECTIVES: To determine if serologic phenotypes could be identified in systemic lupus erythematosus patients developing interstitial lung disease (ILD) and/or myositis. METHODS: Adult SLE patients (without myositis/ILD at baseline) had annual assessments and serum sampling between 2000 and 2017. New-onset ILD was identified using the SDI pulmonary fibrosis item. New-onset myositis was identified using the SLICC Damage Index muscle atrophy/weakness item, the SLEDAI-2K item for myositis, and annual creatinine kinase testing. Chart review confirmed ILD/myositis cases and randomly sampled SLE patients from baseline formed our sub-cohort (N = 72). Cases and sub-cohort were compared regarding myositis-related biomarkers at baseline and at a randomly selected follow-up between baseline and end of observation (date of ILD/myositis diagnosis or Dec. 31, 2017). Descriptive analyses and hazards ratios (HRs) were generated for ILD/myositis incidence, focusing on baseline serology and adjusting for sex, race/ethnicity, age at SLE diagnosis, and SLE duration. RESULTS: Fourteen SLE patients developed ILD (N = 9), myositis (N = 3), and/or both (N = 2). Thirteen of those (92.9%) developing ILD/myositis had at least one biomarker at baseline, versus 47 (65.3%) SLE patients who never developed myositis/ILD. The most common biomarkers in myositis/ILD were KL-6, anti-Ro52, and anti-Ku. Baseline biomarkers tended to remain positive in follow-up. In multivariate Cox regressions, SLE patients had higher risk of developing myositis/ILD with elevated baseline KL-6 (adjusted hazard ratio 3.66; 95% confidence interval 1.01, 13.3). When updating biomarkers over time, we also saw correlations between anti-Smith and ILD/myositis. CONCLUSIONS: Baseline myositis-related biomarkers were highly associated with ILD/myositis incidence. This is the first identification of biomarker phenotypes with ILD/myositis risk in SLE.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,575
Score d'incertitude au seuil0,862

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,010
Tête enseignante GPT0,236
Écart entre enseignants0,226 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations8
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueLupusMême sujetInflammatory Myopathies and DermatomyositisTravaux en français237 207