Patient clusters identified by machine learning from a pooled analysis of the clinical development programme of secukinumab in psoriatic arthritis, ankylosing spondylitis and psoriatic arthritis with axial manifestations
Notice bibliographique
Résumé
OBJECTIVES: To identify patient clusters based on baseline demographics and clinical indicators. METHODS: Pooled baseline demographics and clinical data of secukinumab-treated patients from ten Phase III studies in psoriatic arthritis (PsA; FUTURE 1-5 and MAXIMISE), ankylosing spondylitis (AS; MEASURE 1-4), were analysed by machine learning (ML) algorithms. The longitudinal responses of secukinumab 300 mg versus 150 mg were investigated across the clusters and three clinical indicators of tender joints, swollen joints and enthesitis. RESULTS: 3907 patients were grouped into eight distinct clusters based on patient demographics and baseline clinical characteristics. Patients with PsA and axial manifestations (MAXIMISE) were overrepresented in clusters 6-8. Patients in cluster 6 (mean age 48 years; 46% male) were overweight with pronounced psoriasis, higher articular burden in knees, shoulders, elbows and wrists. Patients in cluster 7 (mean age 47 years; 53% male) were less overweight with lower polyarticular joint counts and tenderness of the joints of the feet, wrists and hands. Patients in cluster 8 were predominantly with AS (mean age 43 years; 64% male) with a mean body mass index of 27.3 kg/m2, oligoarthritis and high prevalence of spinal pain. Patients with PsA (FUTURE) were overrepresented in clusters 1-5. Longitudinal analysis showed improvements with secukinumab 300 mg versus 150 mg in clusters 6 and 8 for tender joint counts, and cluster 7 for swollen joint counts. CONCLUSIONS: PsA clusters obtained by ML in pooled dataset indicate phenotypical heterogeneity of patients with PsA and axial manifestations and overlapping features across the spondyloarthritis spectrum.
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 | 0,000 |
| 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 | 0,001 |
| 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 ».