Identifying and Quantifying the Role of Inflammation in Pain Reduction for Patients With Psoriatic Arthritis Treated With Tofacitinib: A Mediation Analysis
Notice bibliographique
Résumé
INTRODUCTION: Pain is a multidimensional factor and core domain of psoriatic arthritis (PsA). This analysis aimed to quantify the role of potential inflammation-associated outcomes on pain reduction in patients with PsA receiving tofacitinib, using mediation modeling. METHODS: Pooled data were from two phase 3 studies (OPAL Broaden and OPAL Beyond) of patients with active PsA treated with tofacitinib 5 mg twice daily or placebo. Mediation modeling was utilized to quantify the indirect effects (via Itch Severity Item [ISI], C-reactive protein [CRP] levels, swollen joint count [SJC], Psoriasis Area and Severity Index [PASI], and enthesitis [using Leeds Enthesitis Index]) and direct effects (representing all other factors) of tofacitinib treatment on pain improvement. RESULTS: The initial model showed that tofacitinib treatment affects pain, primarily indirectly, via ISI, CRP, SJC, PASI, and enthesitis (overall 84.0%; P = 0.0009), with 16.0% (P = 0.5274) attributable to the direct effect. The model was respecified to exclude SJC and PASI. Analysis of the final model revealed that 29.5% (P = 0.0579) of tofacitinib treatment effect on pain was attributable to the direct effect, and 70.5% (P < 0.0001) was attributable to the indirect effect. ISI, CRP, and enthesitis mediated 37.4% (P = 0.0002), 15.3% (P = 0.0107), and 17.8% (P = 0.0157) of the tofacitinib treatment effect on pain, respectively. CONCLUSIONS: The majority of the effect of tofacitinib on pain was collectively mediated by itch, CRP, and enthesitis, with itch being the primary mediator of treatment effect. TRIAL REGISTRATION: NCT01877668, NCT01882439. GRAPHICAL PLS.
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 | 0,000 | 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 ».