Prevalence of oral mucosal lesions in patients with systemic Lupus Erythematosus: a systematic review and meta-analysis
Notice bibliographique
Résumé
BACKGROUND: Systemic lupus erythematosus (SLE) is a chronic autoimmune disease that can cause a range of symptoms, including oral mucosal lesions (OMLs). The prevalence of OMLs in SLE patients and their associated factors have been studied in various regions, but the results are inconsistent. This study aims to evaluate the prevalence of OMLs in patients with SLE. METHODS: Observational studies of OML prevalence in SLE patients published before 2022 were retrieved from PubMed, Embase, Web of Science, Google Scholar, and the Cochrane Library without language restriction. The quality of the studies was assessed using the Newcastle-Ottawa Scale (NOS) and Agency for Healthcare Research and Quality (AHRQ). RESULTS: Our meta-analysis included 113 studies with a total of 53,307 SLE patients. We found that the prevalence of OMLs in SLE patients was 31% (95% CI: 28%, 35%), with oral ulcers being present in 30% of SLE patients (95% CI: 26%, 33%). Subgroup analysis showed that the prevalence of OMLs varied significantly by region, disease activity, and sample size (p ≤ 0.01). However, gender and year of publication had little effect on the prevalence of OMLs (p = 0.78 and 0.30, respectively). Oral ulcers were significantly associated with age of onset (p = 0.02), geographic location (p < 0.01), and race (p < 0.01). We also found that the prevalence of oral erythema was 9%, oral candidiasis was 9%, petechiae was 8%, cheilitis was 6%, and white plaque was 3%. CONCLUSIONS: Our analysis showed that the prevalence of OMLs varied significantly by region and disease activity, and child-onset patients of Indian, Malay, and Caucasian descent were more likely to have oral ulcers. The high prevalence of OML in SLE patients emphasizes the importance of regular oral examination and management in the comprehensive care of individuals with SLE.
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 | 0,005 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,023 | 0,002 |
| Bibliométrie | 0,002 | 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 ».