Multivariable Models to Predict a Diagnosis of Giant Cell Arteritis: Systematic Review and Metaanalysis
Notice bibliographique
Résumé
OBJECTIVE: Multiple models to predict a diagnosis of giant cell arteritis (GCA) have been developed to assist clinicians. We conducted a systematic review and metaanalysis of model variables and model performance. METHODS: We searched PubMed, Embase, and the Cochrane Library from January 1990 to April 2024 for studies that used multivariable models to diagnose GCA. Study characteristics, patient characteristics, method of and criteria for diagnosis, and model details were extracted. A metaanalysis of individual signs and symptoms was performed using generic inverse variance. The Prediction Model Risk of Bias Assessment Tool (PROBAST) was used to assess individual model risk of bias. Certainty of the effect estimate for each predictor was assessed using Grading of Recommendations, Assessment, Development and Evaluation (GRADE) framework. RESULTS: /L, positive temporal artery ultrasound, and presence of synovitis (predictive of a non-GCA diagnosis). Other factors classically associated with GCA, including vision loss, symptoms of polymyalgia rheumatica, and headache, were found to be predictive with lower certainty of effect. Models included were predominantly found to be at high risk of bias. CONCLUSION: Predictors of GCA were consistent across models; however, models were of poor methodologic quality. Future models to predict a diagnosis of GCA should be constructed with improved methodologic rigor. (PROSPERO registration: CRD42020186725).
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 | 0,048 | 0,094 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,015 | 0,043 |
| Bibliométrie | 0,006 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».