Immunoassay analysis of proteins in gingival crevicular fluid samples from resorbing teeth
Notice bibliographique
Résumé
OBJECTIVE: To carry out an immunoassay analysis of biomarkers expressed in gingival crevicular fluid (GCF) with the main goal of finding a useful diagnostic pattern to distinguish between resorbing deciduous teeth and nonresorbing controls. MATERIALS AND METHODS: A split-mouth design was used in this study with a total of 22 GCF samples collected from 11 patients in the mixed dentition. For each child, one deciduous molar with radiographic evidence of root resorption was used as the test tooth whereas the contralateral first permanent molar with formed roots was used as the control tooth. Samples were processed with immunoassays using a panel of selected biomarkers including interleukin-1 beta (IL-1b), interleukin-1 receptor antagonist (IL-1RA), nuclear factor kappa B ligand (RANKL), osteoprotegerin (OPG), matrix metalloproteinase-9 (MMP-9), and dentin sialoprotein (DSP). RESULTS: There were no statistically significant differences in levels of IL-1b, OPG, and MMP-9 between test and control sites (P > .05). IL-1RA was the only biomarker to show a significant down-regulation (P = .04) in GCF samples collected from resorbing teeth. RANKL data showed a heavily skewed distribution and was deemed unreliable. Only one deciduous GCF sample had detectable levels of DSP; therefore, no further statistical calculation was applicable because of the limited amount of data for this biomarker. CONCLUSIONS: This study indicated that IL1-RA is down-regulated in GCF from resorbing primary molars, thus suggesting this cytokine as a potential analyte to be included in a panel that can discriminate between resorbing and nonresorbing teeth.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».