Baseline Charakteristika aus dem EXCITING-ILD Register
Bibliographic record
Abstract
Hintergrund Interstitielle Lungenerkrankungen (ILD) umfassen eine Gruppe von mehr als 200 verschiedenen Erkrankungen. Sie unterscheiden sich stark in Bezug auf Inzidenz, Prognose und Behandlung; es gibt jedoch nur wenige „real life“-Daten aus Deutschland. Methoden In das prospektive EXCITING-ILD Register (Exploring Clinical and Epidemiological Characteristics of Interstitial Lung Diseases) wurden Patienten mit allen ILD-Subtypen aus unterschiedlichen medizinischen Einrichtungen eingeschlossen. Die Nachbeobachtungszeit reichte von 36 Monaten bis fünf Jahren. Die Daten wurden deskriptiv ausgewertet. Grundlegende Merkmale, Diagnose- und Behandlungsinformationen wurden als absolute Zahlen und prozentual dargestellt. Zur Quantifizierung der Unterschiede zwischen den Gruppen wurde der Wilcoxon-Rangsummentest angewendet. Zur grafischen Darstellung wurden Linien- und Balkendiagramme verwendet. Ergebnisse Insgesamt wurden 601 Patienten (60,7% männlich, mittleres Alter 64,3 Jahre) aus 32 Zentren in das EXCITING-ILD-Register eingeschlossen. Die mittlere forcierte Vitalkapazität (FVC) lag bei 76,4% und die mittlere DLCO-SB (Diffusionskapazität für Kohlenmonoxid) bei 54,1%. Die durchschnittliche Zeit bis zur Diagnose betrug 38,8 Monate (SD 64,4) und war deutlich kürzer, wenn die Diagnose nach einer multidisziplinären Diskussion gestellt wurde (31,6 vs. 49,2 Monate, p<0.001). Die häufigsten Subtypen waren Sarkoidose mit 26,6% (n=160) und idiopathische Lungenfibrose (IPF) mit 25,3% (n=152). Eine pulmonale Hypertonie lag bei 8,7% der Patienten (n=52) vor, häufiger bei CTD (connective tissue disease)-ILD mit 16,3% und Pneumokoniosen (27,3%). Die Häufigkeit der chirurgischen Lungenbiopsien nahm im Laufe der Zeit ab, während der Anteil der Kryobiopsien deutlich zunahm. Bei IPF stieg der Anteil der antifibrotischen Therapie von 35,2% vor 2015 auf 48,4% im Jahr 2019. Fazit Das EXCITING-ILD Register beschreibt die Häufigkeit von ILD-Subtypen, ILD-bezogenen Beeinträchtigungen, ausgewählten Komorbiditäten sowie Diagnose- und Behandlungsmustern in einer repräsentativen deutschen Kohorte. Publication History Article published online: 18 March 2025 © 2025. Thieme. All rights reserved. Georg Thieme Verlag KG Oswald-Hesse-Straße 50, 70469 Stuttgart, Germany
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.004 | 0.024 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.003 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.020 | 0.007 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".