A novel nomogram based on clinical features and laboratory parameters to predict biologic-refractory psoriasis patients
Notice bibliographique
Résumé
PURPOSE: Biologic-refractory psoriasis has emerged as an area of unmet need in a landscape of generally well-controlled disease. The study aimed to establish a predictive model grounded in the clinical features and laboratory parameters to assess the risk of biologic-refractory patient (BRP) prior to initiating biologic therapy. MATERIALS AND METHODS: Biologic-naïve psoriasis patients who initiated their first biologic at the Department of Dermatology of Xiangya Hospital were included and randomized into training and validation sets in a 6:4 ratio. Logistic regression and lasso analysis were performed to screen the risk variables for BRP status. RESULTS: Seven hundred and forty-two psoriatic patients comprising 40 BRPs were included. Body mass index, nonalcoholic fatty liver disease, psoriasis area and severity index, direct bilirubin level, indirect bilirubin level, and erythrocyte sedimentation rate level were identified as predictive factors of BRP. Nomogram models incorporating these factors demonstrated excellent discrimination capabilities with areas under the curve of 0.915 (95%CI, 0.846-0.916) in the training cohort and 0.933 (95%CI, 0.884-0.934) in the validation cohort. Calibration curves indicated good calibration for both cohorts, and decision curve analysis (DCA) revealed the excellent clinical utility of the predictive model. CONCLUSIONS: We developed the nomogram that integrated clinical features and laboratory parameters, providing a convenient and efficient method for predicting BRP risk.
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) | 0,001 | 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 ».