Modelling long-term outcomes for patients with systemic lupus erythematosus
Notice bibliographique
Résumé
BACKGROUND: New treatments for systemic lupus erythematosus (SLE) aim to improve tolerability and disease activity control over standard of care (SoC) treatment. SoC typically includes daily glucocorticoid (GC) which carries a risk of organ damage over time. This study sought to develop natural history models to identify predictors of long-term outcomes with current SoC SLE treatment. METHODS: Generalized linear and parametric accelerated failure time survival models (GLM) and parametric accelerated failure time (AFT) survival models were designed to identify predictors of disease activity, flare rate, GC use, organ damage, and mortality beyond the first year of treatment in patients with SLE. Models were run using a longitudinal retrospective analysis of prospectively collected Toronto Lupus Cohort (TLC) study data, collected between 1997 and 2020. Covariates of clinical and statistical significance were selected by bivariate- then multi-variate regression to find the model of best fit. FINDINGS: Of the 1255 subjects included, 89 % were female 89 % and 65 % Caucasian. Mean follow-up was 10·5 years. At first visit, 51 % of patients had moderate-to-severe disease activity (SLEDAI-2 K score ≥ 6). Mean organ damage scores gradually increased over the years following diagnosis. Median survival of the cohort was ∼35 years from study entry. In the GLM models, SLEDAI-2 K yearly average, and average GC dose were key for predicting change in SLEDAI-2 K, GC use/ dose, and flare (any/rate). Together, adjusted mean SLEDAI-2 K and GC dose were shown to be predictors of mortality and damage in at least 9 of 12 organ systems considered. INTERPRETATION: These comprehensive, longitudinal, predictive models show that disease activity and GC use are significant predictors of organ damage and mortality in a patient population with predominantly moderate to severe SLE. This deepens understanding of SLE natural history and underscores the need for new treatment approaches that reduce disease activity and GC use with an aim to improve long-term SLE outcomes. FUNDING: This study was funded by AstraZeneca.
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 | 0,006 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».