Differentiating clinical characteristics of perianal inflammatory bowel disease from perianal hidradenitis suppurativa
Notice bibliographique
Résumé
BACKGROUND: Perianal draining tunnels in hidradenitis suppurativa (HS) and perianal fistulizing inflammatory bowel disease (IBD) present diagnostic and management dilemmas. METHODS: We conducted a retrospective chart review of patients with perianal disease evaluated at Mayo Clinic from January 1, 1998, through July 31, 2021. Patients' demographic and clinical data were extracted, and 28 clinical features were collected. After experimenting with several machine learning techniques, random forests were used to select the 15 most important clinical features to construct the diagnostic prediction model to distinguish perianal HS from fistulizing perianal IBD. RESULTS: A total of 263 patients were included (98 with HS, 100 with IBD, and 65 with both IBD and HS). Patients with HS had a higher mean body mass index, a higher smoking rate, and more commonly showed cutaneous manifestations of tunnels and comedones, while fistulas, abscesses, induration, anal tags, ulcers, and anal fissures were more common in patients with IBD. In addition to having lesions in the perianal area, patients with IBD often had lesions in the buttocks and perineum, while those with HS had additional lesions in the axillae and groin. Among the statistically significant features, the 15 most important were identified by random forest: fistula, tunnel, digestive symptom, knife-cut ulcer, perineum, body mass index, age, axilla, abscess, tags, smoking, groin, genital cutaneous edema, erythema, and bilateral/unilateral. CONCLUSIONS: The results of this study may help differentiate perianal lesions, especially perineal HS and fistulizing perineal IBD, and provide promise for a better therapeutic outcome.
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 | 0,000 | 0,000 |
| 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 | 0,000 |
| 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) | 0,001 | 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 ».