Prevalence of concomitant rheumatologic diseases and autoantibody specificities among racial and ethnic groups in SLE patients
Notice bibliographique
Résumé
Objective: Leveraging the Manhattan Lupus Surveillance Program (MLSP), a population-based registry of cases of systemic lupus erythematosus (SLE) and related diseases, we investigated the proportion of SLE with concomitant rheumatic diseases, including Sjögren's disease (SjD), antiphospholipid syndrome (APLS), and fibromyalgia (FM), as well as the prevalence of autoantibodies in SLE by sex and race/ethnicity. Methods: Prevalent SLE cases fulfilled one of three sets of classification criteria. Additional rheumatic diseases were defined using modified criteria based on data available in the MLSP: SjD (anti-SSA/Ro positive and evidence of keratoconjunctivitis sicca and/or xerostomia), APLS (antiphospholipid antibody positive and evidence of a blood clot), and FM (diagnosis in the chart). Results: 1,342 patients fulfilled SLE classification criteria. Of these, SjD was identified in 147 (11.0%, 95% CI 9.2-12.7%) patients with women and non-Latino Asian patients being the most highly represented. APLS was diagnosed in 119 (8.9%, 95% CI 7.3-10.5%) patients with the highest frequency in Latino patients. FM was present in 120 (8.9%, 95% CI 7.3-10.5) patients with non-Latino White and Latino patients having the highest frequency. Anti-dsDNA antibodies were most prevalent in non-Latino Asian, Black, and Latino patients while anti-Sm antibodies showed the highest proportion in non-Latino Black and Asian patients. Anti-SSA/Ro and anti-SSB/La antibodies were most prevalent in non-Latino Asian patients and least prevalent in non-Latino White patients. Men were more likely to be anti-Sm positive. Conclusion: Data from the MLSP revealed differences among patients classified as SLE in the prevalence of concomitant rheumatic diseases and autoantibody profiles by sex and race/ethnicity underscoring comorbidities associated 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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».