MétaCan
Menu
← Retour à la cohorte
Enregistrement W4403817801 · doi:10.2196/55715

Exploring the Potential of Electronic Patient-Generated Health Data for Evaluating Treatment Response to Intramuscular Steroids in Rheumatoid Arthritis: Case Series

2024· article· en· W4403817801 sur OpenAlexvenueno aff
Mariam Al-Attar, Kesmanee Assawamartbunlue, Julie Gandrup, Sabine N van der Veer, William G Dixon

Notice bibliographique

RevueJMIR Formative Research · 2024
Typearticle
Langueen
DomaineMedicine
ThématiqueRheumatoid Arthritis Research and Therapies
Établissements canadiensnon disponible
Organismes subventionnairesVersus Arthritis
Mots-clésMedicineRheumatoid arthritisRecall biasPhysical therapyRecallInternal medicinePsychologyPathology

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Mobile health devices are increasingly available, presenting exciting opportunities to remotely collect high-frequency, electronic patient-generated health data (ePGHD). This novel data type may provide detailed insights into disease activity outside usual clinical settings. Assessing treatment responses, which can be hampered by the infrequency of appointments and recall bias, is a promising, novel application of ePGHD. Drugs with short treatment effects, such as intramuscular steroid injections, illustrate the challenge, as patients are unlikely to accurately recall treatment responses at follow-ups, which often occur several months later. Retrospective assessment means that responses may be over- or underestimated. High-frequency ePGHD, such as daily, app-collected, patient-reported symptoms between clinic appointments, may bridge this gap. However, the potential of ePGHD remains untapped due to the absence of established definitions for treatment response using ePGHD or established methodological approaches for analyzing this type of data. OBJECTIVE: This study aims to explore the feasibility of evaluating treatment responses to intramuscular steroid therapy in a case series of patients with rheumatoid arthritis tracking daily symptoms using a smartphone app. METHODS: We report a case series of patients who collected ePGHD through the REmote Monitoring Of Rheumatoid Arthritis (REMORA) smartphone app for daily remote symptom tracking. Symptoms were tracked on a 0-10 scale. We described the patients' longitudinal pain scores before and after intramuscular steroid injections. The baseline pain score was calculated as the mean pain score in the 10 days prior to the injection. This was compared to the pain scores in the days following the injection. "Response" was defined as any improvement from the baseline score on the first day following the injection. The response end time was defined as the first date when the pain score exceeded the pre-steroid baseline. RESULTS: We included 6 patients who, between them, received 9 steroid injections. Average pre-injection pain scores ranged from 3.3 to 9.3. Using our definitions, 7 injections demonstrated a response. Among the responders, the duration of response ranged from 1 to 54 days (median 9, IQR 7-41), average pain score improvement ranged from 0.1 to 5.3 (median 3.3, IQR 2.2-4.0), and maximum pain score improvement ranged from 0.1 to 7.0 (median 4.3, IQR 1.7 to 6.0). CONCLUSIONS: This case series demonstrates the feasibility of using ePGHD to evaluate treatment response and is an important exploratory step toward developing more robust methodological approaches for analysis of this novel data type. Issues highlighted by our analysis include the importance of accounting for one-off data points, varying response start times, and confounders such as other medications. Future analysis of ePGHD across a larger population is required to address issues highlighted by our analysis and to develop meaningful consensus definitions for treatment response in time-series data.

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)0,002
score de la tête « metaresearch » (Gemma)0,019
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Étude de cas · Signal consensuel: Étude de cas
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,011

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,019
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,002
Études des sciences et des technologies0,0010,001
Communication savante0,0020,002
Science ouverte0,0010,001
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,142
Tête enseignante GPT0,434
Écart entre enseignants0,293 · 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'étudeÉtude de cas
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

Citations2
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR Formative Research→Même sujetRheumatoid Arthritis Research and Therapies→Travaux en français237 207→