Performance of Risk Score Calculators in the Identification of Coronary Artery Calcification in Patients With Systemic Lupus Erythematosus
Notice bibliographique
Résumé
Objective We aimed to evaluate the performance of cardiovascular (CV) risk prediction tools in identifying patients with systemic lupus erythematosus (SLE) with coronary artery calcification (CAC). Methods We conducted a post hoc analysis of a prior case-control study of adult female patients with SLE and matched controls. We excluded patients who already met cardiology guidelines for recommended statin use. We risk-stratified patients per Atherosclerotic CV Disease (ASCVD) Risk Score and SLE-specific CV Risk (SLECRISK) score and determined rates of abnormal CAC. We used 2-sample t tests, 2-sample Wilcoxon rank-sum (Mann-Whitney) tests, and chi-square tests to compare various characteristics between subgroups, and used logistic regression to assess adjusted risk for patients with SLE compared to controls. Results We analyzed 128 patients with SLE and 138 controls. Rates of abnormal CAC in the SLE and control groups were 31.3% (40/128) and 12.3% (17/138), respectively, with similar mean ASCVD Risk Scores (2.2% vs 1.9%). Both the ASCVD Risk Score and SLECRISK score had relatively high specificity (95-100%) for abnormal CAC. The ASCVD score demonstrated poor sensitivity in both control (17.6%) and SLE (15%) groups, with sensitivity doubling to 30.8% among patients with SLE with the use of the SLECRISK score. Among participants with SLE who had low ASCVD risk, those with abnormal CAC were more likely to be older and have lower glomerular filtration rate, longer disease duration, higher insulin resistance, and higher low-density lipoprotein and cholesterol levels. Conclusion The poor performance of conventional and even modified risk scores suggests a continued need for screening approaches, including CAC, to determine CV disease risk in the SLE patient population.
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 | 0,005 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».