Sex disparities in the phenotype at diagnosis of Sjögren's disease: artificial intelligence-driven characterisation in 17,416 patients
Notice bibliographique
Résumé
OBJECTIVES: Sjögren disease (SjD) predominantly affects females, but the early disease presentation in male patients remains poorly characterised due to historically small sample sizes. The aim of this study was to investigate sex‑based differences in the clinical phenotype at diagnosis of SjD and identify predictors of patient sex using a large international cohort and AI‑enhanced analysis. METHODS: Cross-sectional analysis of an anonymised dataset comprising 17,416 worldwide patients fulfilling the 2002/2016 classification criteria (Sjögren Big Data Registry). We stratified the dataset by sex and conducted a comparative analysis of baseline glandular and systemic involvement, organ-specific ESSDAI domains, and immunological profiles. Multivariate logistic regression models were developed, adjusting for epidemiological confounders (age and ethnicity) to identify predictors of sex classification. We used a generative AI (OpenAI's GPT-4o model) environment with Python (version 3.9) and the pandas (1.4.3), numpy (1.21.5), and matplotlib (3.5.1) libraries. All analyses adhered to GDPR standards, with anonymized patient data and strictly controlled secure environments. RESULTS: The cohort included 1,161 (6.67%) men and 16,255 (93.33%) women, with a mean age at diagnosis of 51.11 years (SD=14.45). Men showed a higher mean age at diagnosis (54.09 vs. 51.42 years in women; t=6.08, p<0.0001), a higher average ESSDAI score (7.65 vs. 5.93; t=7.91, p<0.0001) and higher frequencies in severe DAS categories (i.e. high activity 20% vs. 12% in women, χ² = 81.15, p<0.0001). The epidemiologically-adjusted logistic regression model (pseudo R-squared value of 0.026) identified statistical significance for age (coefficient =0.009, p=0.024; each additional year in age increased the likelihood of being female by 1.4%), ethnicity (coefficient=0.579, HR=1.78, p=0.004), ocular dryness (coefficient=-0.607, HR=0.54, p<0.001), and systemic activity in the glandular (coefficient=0.359, HR=1.43, p=0.006) and pulmonary (coefficient=0.445, HR=1.56, p=0.004) ESSDAI domains. CONCLUSIONS: Male SjD patients present a distinct, more systemic phenotype at diagnosis. Awareness of sex‑specific features can improve early recognition and tailored management.
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) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 ».