Review of global epidemiology data for alopecia areata highlights gaps and a call for action
Notice bibliographique
Résumé
There is a clear need for improved and inclusive global prevalence and incidence data for alopecia areata (AA). New therapies, including Janus kinase inhibitors, are effective in some – but not all – patients. This suggests an incomplete understanding of disease pathogenesis, with possible contributions of alternate mechanisms of disease in specific patient subsets.1 Data from diverse geographical sites may uncover additional genetic polymorphisms, as well as external/environmental triggers for disease. These new data may identify additional novel targets for prevention or disease modification. Additionally, changes in incidence over time could inform clinicians and researchers about the possible contributions of regional, seasonal or infectious triggers such as airborne allergens or viruses like COVID-19.2 In this issue, Jeon et al. present a thorough systematic review of the population prevalence and incidence rates for AA, resulting in 80 data points from 28 countries.3 Overall, prevalence ranged from 0.02% to 0.21%. Higher prevalence rates were reported in adults than in children, but the authors were unable to present the data fully by subcategories such as race, ethnicity or other social determinants of health. There was a trend toward a higher prevalence of AA in high-income countries.
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 | 0,027 | 0,161 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,007 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,006 | 0,009 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,008 | 0,015 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,016 | 0,010 |
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 ».