Incidence and predictors of demyelinating disease in spondyloarthritis: data from a longitudinal cohort study
Notice bibliographique
Résumé
OBJECTIVES: The objectives of this study were to investigate the incidence of demyelinating disease (DD) among SpA patients and to identify risk factors that predict DD in this patient population. METHODS: Axial SpA (axSpA) and PsA patients were identified from a longitudinal cohort database. Each group was analysed according to the presence or absence of DD. Incidence rates (IRs) of DD were obtained, with competing risk analysis. Cox regression analysis (with Fine and Gray's method) was used to evaluate predictors of DD development. RESULTS: Among 2260 patients with follow-up data, we identified 18 DD events, corresponding to an average IR of 31 per 100 000 persons per year for SpA. The IR of DD at 20 years was higher in axSpA than in PsA (1.30% vs 0.13%, P = 0.01). The risk factors retained in the best predictive model for DD development included ever- (vs never-) smoking [hazard ratio (HR) 2.918, 95% CI 1.037-8.214, P = 0.0426], axSpA (vs PsA) (HR 8.790, 95% CI 1.242-62.182, P = 0.0294) and presence (vs absence) of IBD (HR 5.698, 95% CI 2.083-15.589, P = 0.0007). History of TNF-α inhibitor therapy was not a predictor of DD. CONCLUSION: The overall incidence of DD in this SpA cohort was low. Incident DD was higher in axSpA than in PsA. A diagnosis of axSpA, the presence of IBD, and ever-smoking predicted the development of DD. History of TNF-α inhibitor use was not found to be a predictor of DD in this cohort.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,001 | 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 ».