Derivation and Internal Validation of a <scp>Disease‐Specific</scp> Cardiovascular Risk Prediction Model for Patients With Psoriatic Arthritis and Psoriasis
Notice bibliographique
Résumé
OBJECTIVE: To address suboptimal cardiovascular risk prediction in patients with psoriatic disease (PsD), we developed and internally validated a five-year disease-specific cardiovascular risk prediction model. METHODS: We analyzed data from a prospective cohort of participants with PsD without a history of cardiovascular events. Traditional cardiovascular risk factors and PsD-related measures of disease activity were considered as potential predictors. The study outcome included nonfatal and fatal cardiovascular events. A base prediction model included 10 traditional cardiovascular risk factors. Eight PsD-related factors were assessed by adding them to the base model to create expanded models, which were controlled for PsD therapies. Variable selection was performed using Least Absolute Shrinkage and Selection Operator (LASSO) penalized regression with 10-fold cross-validation. Model performance was assessed using measures of discrimination and calibration and measures of sensitivity and specificity. RESULTS: Between 1992 and 2020, 85 of 1,336 participants developed cardiovascular events. Discrimination of the base model (with traditional cardiovascular risk factors alone) was excellent, with an area under the receiver operator characteristic curve (AUC) of 85.5 (95% confidence interval [CI] 81.9-89.1). Optimal models did not select any of the tested disease-specific factors. In a sensitivity analysis, which excluded lipid lowering and antihypertensive treatments, the number of damaged joints was selected in the expanded model. However, this model did not improve risk discrimination compared to the base model (AUC 85.5, 95% CI 82.0-89.1). CONCLUSION: Traditional cardiovascular risk factors alone are effective in predicting cardiovascular risk in patients with PsD. A risk score based on these factors performed well, indicating excellent discrimination and calibration.
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 | 0,009 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».