Patterns of Outpatient Phecodes Predating the Diagnosis of Systemic Lupus Erythematosus in Taiwanese Women
Notice bibliographique
Résumé
Shortening the time to diagnosis and initiating early treatment are imperative to improve outcomes in patients with systemic lupus erythematosus (SLE). The aim of this case-control study, based on the data from the Taiwan's National Health Insurance Research Database (NHIRD), was to investigate the patterns of diagnoses of disease phenotypes in female patients with SLE up to eight years prior to its definitive diagnosis. The 547 cases were selected from the 2000-2012 NHIRD catastrophic illness datafile and frequency-matched with 2188 controls. The primary diagnosis based on the first ICD-9-CM code for each outpatient visit was converted to Phecodes. Separate regression models, based on least absolute shrinkage and selection operator (lasso) regularization, with seven different lag periods from 1-2 to 7-8 years, were conducted. Results showed that SLE was associated with 46 disease phenotypes in a lag period of 2-3 years, but fewer in other lag periods. A number of SLE-associated disease phenotypes, such as primary thrombocytopenia, thyroid diseases, Raynaud's syndrome, renal disease, and several infectious diseases, occurred mainly in the first few years prior to SLE diagnosis. In conclusion, SLE should be suspected when the disease phenotypes identified in the present study occurred concomitantly.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,001 | 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 ».