Prevalence and risk factors of active tuberculosis in patients with rheumatic diseases: a multi-center, cross-sectional study in China
Notice bibliographique
Résumé
Evidence of active tuberculosis (ATB) in patients with rheumatic diseases are research priorities but limited data from China have been reported. Research targeting patients not taking anti-TNF biologics are especially insufficient. We aimed to investigate the prevalence and risk factors of ATB in this at-risk population. We conducted a tertiary hospital-based, multi-center, cross-sectional study by using stratified multi-stage cluster sampling strategy to screen ATB in patients with rheumatic diseases. We estimated the prevalence of ATB in patients with rheumatic diseases and identified risk factors among those who were not taking anti-TNF biologic. A total of 13,550 eligible patients were enrolled, and the result showed the standardized prevalence of ATB according to the composition ratio of various types of rheumatic disease was 882/100000 (95% confidence interval (CI): 706-1057). Multivariable logistic regression analysis in patients not taking anti-TNF biologics showed that the independent risk factors of ATB were having systemic lupus erythematosus (SLE) (OR=2.722, 95% CI: 1.437-5.159, p=0.002), having Behcet's disease (BD) (OR= 5.261, 95% CI: 2.071-13.365, p<0.001), taking azathioprine(AZA) within the past two years (OR=2.095, 95% CI: 0.986-4.450, p=0.054), exposing to glucocorticoids ≥30mg/d for more than four weeks within the past two years (OR=2.031, 95% CI: 1.247-3.309, p=0.004) and having evidences of previous TB (OR= 6.185, 95% CI: 3.487-10.969, p<0.001). The prevalence of ATB was higher in patients with rheumatic diseases compared to the general population. Patients with SLE or BD, prolonged exposure to moderate to high dose of glucocorticoids and previous TB were independent risk factors for ATB.
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 | 0,000 | 0,000 |
| 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 | 0,001 |
| 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 ».