Evaluation of a Practical Approach to Diagnosis of Sjögren Disease in Clinical Practice
Notice bibliographique
Résumé
OBJECTIVE: The 2016 American College of Rheumatology/European Alliance of Associations for Rheumatology Classification Criteria (AECC) borrow from oral pathology, ophthalmology, pathology, and serology to define Sjögren disease (SjD). The objective of this study was to analyze the utility of incorporating the 2016 AECC tools into clinical practice. METHODS: A cross-sectional database with 374 patients evaluated on protocol between 1993 and 2019 at the University Health Network Multidisciplinary Sjogren's Clinic was used for the purpose of this data analysis. All patients used for this analysis had a complete evaluation, including serology, ocular surface staining, and minor salivary gland (MSG) biopsy. RESULTS: Of the 374 patients, 263 (70.3%) were diagnosed with SjD in clinic on the basis of the Schirmer test (ST), unstimulated salivary flow (USSF), and serology results alone (group A). An additional 14% were diagnosed after further assessment with ocular surface staining (ophthalmology) and MSG biopsy (ENT; group B). Group C patients did not have SjD. Groups B and C together were frequently seronegative (for antinuclear antibody and/or anti-Ro) or antimitochondrial antibody positive. Seronegative patients with abnormal ST and USSF had a positive MSG biopsy in 70% of cases. CONCLUSION: SjD could be diagnosed according to 2016 AECC in most patients on the basis of ST, USSF, and serology results where there is concern for the disease on clinical evaluation. Patients who required further testing for diagnosis had some distinctive features. This analysis provides the practicing physician with some guidelines for establishing a diagnosis of SjD in clinic.
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 | 0,005 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 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) | 0,000 | 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 ».