The pattern of anti-IL-6 versus non-anti-IL-6 biologic disease modifying anti-rheumatic drugs use in patients with rheumatoid arthritis in Wales, UK: a real-world study using electronic health records
Notice bibliographique
Résumé
Objective: non-anti-IL-6 (anti-TNF, B or T cell therapies) bDMARDs for RA. Methods: A retrospective cohort study of patients with the diagnosis of RA in the Secure Anonymised Information Linkage Databank, comprising primary and secondary care and specialist rheumatology clinic records for >90% of the population in Wales, UK. Patients initiated on first bDMARD treatment, discontinuation and clinical outcomes including infection and hospitalisation were analysed using Cox regression analysis. Results: Of patients identified with RA in their primary care records, 95.7% (4691/4922) received conventional synthetic DMARDs (csDMARDs). More than one-third (36.2%) were treated with bDMARDs (1784/4922). Of these biologic-naïve patients, 6.5% (116) were treated with anti-IL-6 bDMARDs; this treatment was associated with a previous history of infection [difference 8.8% (95% CI 1.1, 17.8)] and kidney disease [14.3% (95% CI 8.0, 22.5)]. Treatment discontinuation was significantly higher in the non-anti-IL-6 bDMARD-treated patients (23.1%) compared with the anti-IL-6 bDMARD-treated individuals (18.1%) [difference 9.4% (95% CI 1.1, 15.7)]. For those discontinuing a first line of treatment, 385 patients (23%) and 21 patients (18%) switched to an alternative bDMARD from the non-anti-IL-6 and anti-IL-6 groups, respectively. Conclusion: Comorbidities, history of infection and kidney disease were associated with choosing anti-IL-6 bDMARDs in biologic-naïve RA patients in Wales. Anti-IL-6 bDMARD-treated biologic-naïve patients were more likely to continue treatment than non-IL-6 bDMARD-treated 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 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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».