Mycobacteria-Specific Cytokine Responses Detect Tuberculosis Infection and Distinguish Latent from Active Tuberculosis
Notice bibliographique
Résumé
RATIONALE: Current immunodiagnostic tests for tuberculosis (TB), including the tuberculin skin test and IFN-γ release assay (IGRA), have significant limitations, which include their inability to distinguish between latent TB infection (LTBI) and active TB, a distinction critical for clinical management. OBJECTIVES: To identify mycobacteria-specific cytokine biomarkers that characterize TB infection, determine their diagnostic performance characteristics, and establish whether these biomarkers can distinguish between LTBI and active TB. METHODS: A total of 149 children investigated for TB infection were recruited; all participants underwent a tuberculin skin test and QuantiFERON-TB Gold assay. In parallel, whole-blood assays using early secretory antigenic target-6, culture filtrate protein-10, and PPD as stimulatory antigens were undertaken, and cytokine responses were determined by xMAP multiplex assays. MEASUREMENTS AND MAIN RESULTS: IFN-γ, interferon-inducible protein-10 (IP-10), tumor necrosis factor (TNF)-α, IL-1ra, IL-2, IL-13, and MIP-1β (macrophage inflammatory protein-1β) responses were significantly higher in LTBI and active TB cases than in TB-uninfected individuals, irrespective of the stimulant. Receiver operating characteristic analyses showed that IP-10, TNF-α, and IL-2 responses achieved high sensitivity and specificity for the distinction between TB-uninfected and TB-infected individuals. TNF-α, IL-1ra, and IL-10 responses had the greatest ability to distinguish between LTBI and active TB cases; the combinations of TNF-α/IL-1ra and TNF-α/IL-10 achieved correct classification of 95.5% and 100% of cases, respectively. CONCLUSIONS: We identified several mycobacteria-specific cytokine biomarkers with the potential to be exploited for immunodiagnosis. Incorporation of these biomarkers into future immunodiagnostic assays for TB could result in substantial gains in sensitivity and allow the distinction between LTBI and active TB based on a blood test alone.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,001 | 0,000 |
| 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 ».