Do Patterns of Early Disease Severity Predict Grade 12 Academic Achievement in Youths With Childhood-Onset Chronic Rheumatic Diseases?
Notice bibliographique
Résumé
OBJECTIVE: To test the association of early disease severity with grade 12 standards test performance in individuals with childhood-onset chronic rheumatic diseases (ChildCRDs), including juvenile arthritis and systemic autoimmune rheumatic diseases. METHODS: We used linked provincial administrative data to identify patients with ChildCRDs born between 1979 and 1998 in Manitoba, Canada. Primary outcomes were Language and Arts Achievement Index (LAI) scores and Math Achievement Index (MAI) scores from grade 12 standards test results as well as enrollment data. The secondary outcome was enrollment in grade 12 by 17 years of age. Latent class trajectory analysis identified disease severity groups using physician visits following diagnosis. Multivariable linear regression tested the association of disease severity groups with LAI and MAI scores, and logistic regression tested the association of disease severity with age-appropriate enrollment, after adjusting for sociodemographic factors and psychiatric morbidities. RESULTS: The study cohort included 541 patients, 70.1% of whom were female. A 3-class trajectory model provided the best fit; it classified 9.7% of patients as having severe disease, 54.5% as having moderate disease, and 35.8% as having mild disease. After covariate adjustment, severe disease was associated with poorer LAI and MAI scores but not with age-appropriate enrollment. CONCLUSION: Among patients with ChildCRDs, those with severe disease performed more poorly on grade 12 standards tests, independent of sociodemographic and psychiatric risk factors. Clinicians should work with educators and policy makers to advocate for supports to improve educational outcomes of patients with ChildCRDs.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 |
| 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 ».