MétaCan
Menu
Retour à la cohorte
Enregistrement W4395084821 · doi:10.1093/rheumatology/keae163.171

P130 Unmet needs and treatment preferences concerning digital ulcers in patients with systemic sclerosis

2024· article· en· W4395084821 sur OpenAlexaboutno aff
Giulia Bandini, Alessia Alunno, Barbara Ruaro, Ilaria Galetti, Begonya Alcacer‐Pitarch, F. Oliveira Pinheiro, Giulia Campanaro, Judith Jade, Lindsay Muir, Alberto Moggi Pignone, Zsuzsanna H. McMahan, Khadija El Aoufy, Marco Matucci‐Cerinic, Michael Hughes

Notice bibliographique

RevueLara D. Veeken · 2024
Typearticle
Langueen
DomaineMedicine
ThématiqueSystemic Sclerosis and Related Diseases
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésMedicineIntensive care medicineDermatology

Résumé

récupéré en direct d'OpenAlex

Abstract Background/Aims Digital Ulcers (DU) affect around half of systemic sclerosis (SSc) patients and are associated with significant pain and difficulties in daily life. Despite available treatment options, DUs are often recalcitrant and recurrent. Our aim was to examine the patients’ perspectives concerning the unmet needs and treatment of SSc-DUs. Methods SSc patients with past DU were invited through international patient associations/social media to participate in an online English-language survey. The survey was launched on 31st January 2023 and open for four weeks. Results A total of 358 evaluable responses were collected from 11 countries, mainly from USA (65.6%), UK (11.5%) and Canada (4.5%). 81,6% of respondents were aged 30-70 years and 93% were female. Almost all (96.1%) had >1DU during the course of their disease (46% >10 DUs), mainly localised on the fingertips (84.9%). DUs have broad-ranging impacts: activities of daily living (79% ‘agreed’ or ‘strongly agreed’), work activities (73% ‘agreed’ or ‘strongly agreed’), future planning (64% ‘agreed’ or ‘strongly agreed’), and interpersonal relationships and/or social activities (59% ‘agreed’ or ‘strongly agreed’). Only one quarter (26.2%) of respondents were satisfied with currently available treatments, or treatment efficacy on main ulcer symptoms such as pain (24%). Half (51.7%) of respondents received wound/ulcer care, with only a third (31.4%) via a dedicated rheumatological/wound care clinic. The most frequent DU interventions were: wound cleaning (58.9%), ulcer dressing (63.2%) and debridement (27%), while botulinum (8.1%), fat injection (1.6%), sympathectomy (10.3%), and surgery (16.8%) were less frequent. Among respondents, the majority (71.3%) were ‘likely’ or ‘very likely’ to consider local DU treatment, 68.4% oral therapy, 43.8% intravenous treatments and 30.4% surgical approach. Figure 1 presents respondents perceived factors that may delay DU healing (1A), reasons to seek healthcare professional advice (1B), and reasons to change treatment (1C). Education about tDU complications is limited (34.1%), including recognition (30.8%), and actions to be taken (25%). Conclusion DUs have significant broad-ranging impacts there are many unmet needs have emerged. Local wound care is not standardized across specialist centers and patient education is often neglected. Dedicated treatment recommendations are urgently needed to optimise the therapeutic strategy, including non-pharmacological interventions. Disclosure G. Bandini: None. A. Alunno: None. B. Ruaro: None. I. Galetti: None. B. Alcacer-Pitarch: None. F. Oliveira Pinheiro: None. G. Campanaro: None. J. Jade: None. L. Muir: None. A. Moggi Pignone: None. Z. McMahan: None. K. El Aoufy: None. M. Matucci Cerinic: None. M. Hughes: None.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,005
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,018

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,005
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,000
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0050,000

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.

Tête enseignante Opus0,025
Tête enseignante GPT0,231
Écart entre enseignants0,206 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueLara D. VeekenMême sujetSystemic Sclerosis and Related DiseasesTravaux en français237 207