The Patient Self-Administered Inflammatory Arthritis Detection Study
Notice bibliographique
Résumé
OBJECTIVE: Early diagnosis and treat-to-target strategies improve outcomes for patients with inflammatory arthritis (IA). One approach for reducing diagnostic delay is using standardized patient-completed questionnaires to support referral decisions. This study evaluated the discriminatory referral performance of 2 validated questionnaires in newly referred rheumatology patients in British Columbia, Canada. METHODS: Patients completed the Early Inflammatory Arthritis Questionnaire (EIAQ) and Case Finding Axial Spondyloarthritis (CaFaSpA) questionnaire. Predictive scores for IA were calculated using existing algorithms and compared to the reference standard of their rheumatologist diagnosis. Discriminative performance was tested using the area under the receiver-operating characteristics curve (AUC), and diagnostic performance was tested using metrics, including sensitivity and specificity. Exploratory regression models were used to predict IA with different combinations of questionnaire questions. RESULTS: Of 92 participants, 30 (33%) had time-sensitive IA (TS-IA), 35 (38%) other IA, and 27 (29%) non-IA. Time from referral to rheumatologist visits for patients with TS-IA was 44 days (IQR 28-83), 69 (IQR 40-102) for "other IA," 65 (IQR 34-99) for "non-IA," and was longer for women (+ 9 days) and in nonmetropolitan areas (+ 16 days). Only 7 patients had axial spondyloarthritis, precluding discriminative analysis of the CaFaSpA. The EIAQ had an AUC of 0.59 (95% CI 0.49-0.68), sensitivity of 33% (95% CI 19-51%), and specificity of 84% (95% CI 73-91); alternate algorithms based on EIAQ and CaFaSpA questions delivered AUCs up to 0.80 (95% CI 0.68-0.90). CONCLUSION: The results support the utility and feasibility of routine collection of EIAQ and CaFaSpA questionnaires for discriminating patients with IA from those with non-IA.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».