Predictors of British Isles Lupus Assessment Group-based outcomes in patients with systemic lupus erythematosus: Analysis from the Systemic Lupus International Collaborating Clinics Inception Cohort
Notice bibliographique
Résumé
BACKGROUND: We aimed to identify factors associated with a significant reduction in SLE disease activity over 12 months assessed by the BILAG Index. METHODS: In an international SLE cohort, we studied patients from their 'inception enrolment' visit. We also defined an 'active disease' cohort of patients who had active disease similar to that needed for enrolment into clinical trials. Outcomes at 12 months were; Major Clinical Response (MCR: reduction to classic BILAG C in all domains, steroid dose of ≤7.5 mg and SLEDAI ≤ 4) and 'Improvement' (reduction to ≤1B score in previously active organs; no new BILAG A/B; stable or reduced steroid dose; no increase in SLEDAI). Univariate and multivariate logistic regression with Least Absolute Shrinkage and Selection Operator (LASSO) and cross-validation in randomly split samples were used to build prediction models. RESULTS: = 924) patients were studied. Models for MCR performed well (ROC AUC = .777 and .732 in the inception enrolment and active disease cohorts, respectively). Models for Improvement performed poorly (ROC AUC = .574 in the active disease cohort). MCR in both cohorts was associated with anti-malarial use and inversely associated with active disease at baseline (BILAG or SLEDAI) scores, BILAG haematological A/B scores, higher steroid dose and immunosuppressive use. CONCLUSION: Baseline predictors of response in SLE can help identify patients in clinic who are less likely to respond to standard therapy. They are also important as stratification factors when designing clinical trials in order to better standardize overall usual care response rates.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».