Race and Ethnicity Sub-Groups of Alopecia Areata Patients have Differing Clinical Characteristics: TARGET-DERM AA
Notice bibliographique
Résumé
Introduction Alopecia areata (AA) is a chronic, autoimmune disease that disproportionately impacts particular subgroups.1 Methods United States and Canadian clinics enrolled participants in the TARGET-DERM AA registry (December 2021 - June 2024, data collection ongoing). Those who completed a baseline patient questionnaire [self-reported race / ethnicity, Patient Global Impression of Severity (PGIS-AA)] and clinician-reported outcome measures [Severity of Alopecia Tool (SALT), ClinRO Measure for Eyebrow / Eyelash Hair Loss] were summarized. Results Of the 267 AA patients, 61.4% were female; 53.2% were adults, 28.5% identified as Hispanic, 52.1% Non-Hispanic (NH)-White, 8.6% NH Black and 6.4% as NH Asian. 47.1% of NH Asian patients had severe disease (SALT>50) and represented the group with the highest proportion of SALT>50, followed by 34.8% of NH Black, 31.7% NH White, and 19.7% Hispanic AA patients. 47.1% of NH Asian patients reported PGIS-AA ‘severe/very severe’ disease, 41.9% of NH White, 39.1% of NH Black and 27.6% of Hispanic AA patients. Eyebrow involvement was highest in NH Whites (44.6%), followed by NH Asian (41.2%), NH Black (34.8%), and Hispanic AA patients (26.3%). Eyelash involvement was highest in NH Black patients, followed by NH White, NH Asian, and Hispanic patients (39.1%, 34.7%, 35.3%, and 17.1%, respectively). Discussion In this large real-world cohort, there are differences in clinician reported measures by race/ethnicity subgroups. NH-Asian patients represented the largest proportion of patients with patient and clinician-reported severe disease, and clinician-reported eyebrow / eyelash involvement was most prevalent in NH White patients. Hispanic patients had the smallest proportion with severe SALT, eyebrow and eyelash involvement. Additional research is required to better characterize AA and health-related quality of life burden in non-White AA patients.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 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) | 0,006 | 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 ».