CHARACTERIZING SLE PATIENTS INTO TYPE 1 AND TYPE 2 DISEASE STATES: INSIGHTS FROM A SINGLE LUPUS COHORT
Notice bibliographique
Résumé
PV213 / #662 Poster Topic: AS23 - SLE-Diagnosis, Manifestations, & Outcomes Background/Purpose It has been proposed that SLE may be divided into Type 1 and Type 2 states. Type 1 manifestations are well captured in disease activity scores (eg, SLEDAI-2K). Type 2 manifestations include fatigue, pain, depression, brain fog. These do not always correlate with conventional lupus disease activity, but can be pervasive and dominate in patient-reported outcomes (PROs). Patients may be classified into 4 disease states: Minimal (low type 1 activity, low type 2 activity), High Type 1 (high type 1 and low type 2), High Type 2 (low type 1, high type 2) and Mixed (high type 1 and high type 2). Our primary aim was to define the prevalence of patients who can be classified into the 4 states. Our secondary aim was to identify variables that predict each disease state. Methods This was a cross-sectional study of a single cohort of SLE patients who participated in a trial studying cognitive impairment and recruited prospectively since 2016. Type 1 activity was defined as a clinical SLEDAI-2K of >0 (excluding C3, C4 dsDNA levels). As there is no clear definition of Type 2 activity, we aimed to define this based on different PRO measures: Beck Depression and Anxiety Inventories (BDI-II and BAI), Lupus Quality of Life (Lupus QoL), Fatigue Severity Score (FSS), Perceived Deficits Questionnaire (PDQ-20) for subjective cognitive impairment, Short-Form Health Survey (SF-36). We conducted a Similarity Network Fusion (SNF) analysis that used spectral clustering to generate participant subtypes and hypothesized that distinct groups would emerge (Figure 1). For our secondary aim, we included variables such as patient characteristics, SLICC/ACR damage index (SDI), antibodies, medications. Figure 1. Results 259 patients were included in the final analysis. Four distinct patient phenotypes emerged: Minimal (32 patients; 12.4%), High Type 1 (81 patients; 31.3%), High Type 2 (50 patients; 19.3%), and Mixed (96 patients; 37.1%). Patients with High Type 2 state had poorer median PRO scores in all measured outcomes (all p-values significant to <0.0001): PDQ20 (39.5 vs 20), BDI (20.2 vs 6.2), BAI (21 vs 6), SF-36 Mental Component Summary (36.5 vs 54.8) and SF-36 Physical Component Summary (32.2 vs 51.2), FSS (5.56 vs 3.11) and all Lupus QoL domains. Statistically significant variables (p<0.05 after Bonferroni correction) differentiating the 4 states included low C3/C4, elevated dsDNA, chromatin antibody presence, glucocorticoid dose and treatment with glucocorticoids within 3 months. The presence of these variables was associated with a High Type 1 and Mixed state (Table 1). Table 1. Conclusions We identified that patients may be categorized into disease states based on Type 1 and Type 2 characteristics – Minimal 13%, High Type 1 31%, High Type 2 19% and Mixed 37%. High Type 2 patients uniformly scored poorly in all PRO domains. Multiple laboratory markers (low C3/4, elevated dsDNA, presence of chromatin antibody) as well as glucocorticoid use were found to predict High Type 1 or Mixed states.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».