Derivation of a Multivariable Psoriatic Arthritis Risk Estimation Tool (<scp>PRESTO</scp>): A Step Towards Prevention
Notice bibliographique
Résumé
OBJECTIVE: A simple, scalable tool that identifies psoriasis patients at high risk for developing psoriatic arthritis (PsA) could improve early diagnosis. We aimed to develop a risk prediction model for the development of PsA and to assess its performance among patients with psoriasis. METHODS: We analyzed data from a prospective cohort of psoriasis patients without PsA at enrollment. Participants were assessed annually by a rheumatologist for the development of PsA. Information about their demographics, psoriasis characteristics, comorbidities, medications, and musculoskeletal symptoms was used to develop prediction models for PsA. Penalized binary regression models were used for variable selection while adjusting for psoriasis duration. Risks of developing PsA over 1- and 5-year time periods were estimated. Model performance was assessed by the area under the curve (AUC) and calibration plots. RESULTS: Among 635 psoriasis patients, 51 and 71 developed PsA during the 1-year and 5-year follow-up periods, respectively. The risk of developing PsA within 1 year was associated with younger age, male sex, family history of psoriasis, back stiffness, nail pitting, joint stiffness, use of biologic medications, patient global health, and pain severity (AUC 72.3). The risk of developing PsA within 5 years was associated with morning stiffness, psoriatic nail lesion, psoriasis severity, fatigue, pain, and use of systemic nonbiologic medication or phototherapy (AUC 74.9). Calibration plots showed reasonable agreement between predicted and observed probabilities. CONCLUSIONS: The development of PsA within clinically meaningful time frames can be predicted with reasonable accuracy for psoriasis patients using readily available clinical variables.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 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) | 0,000 | 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 ».