Update on Biomarkers in Psoriatic Arthritis: A Report from the GRAPPA 2010 Annual Meeting: Table 1.
Notice bibliographique
Résumé
Biomarkers may be used to screen patients with psoriasis for psoriatic arthritis (PsA) and to assess disease activity and severity. Candidate biomarkers should fulfil the key features of the OMERACT (Outcome Measures in Rheumatology) filter, that is, truth, discrimination, and feasibility. A number of biomarkers are currently being investigated in psoriatic disease for important clinical outcomes. Serum high sensitivity C-reactive protein, cartilage oligomeric matrix protein, interleukin 6 (IL-6), osteoprotegerin, matrix metalloprotease-3 (MMP-3), and the ratio of C-propeptide of type II collagen (CPII) to collagen fragment neoepitopes Col2-3/4 (long mono) (C2C) show promise as serum biomarkers that distinguish subjects with PsA from those with psoriasis alone. Serum MMP-3 and melanoma inhibitory activity, synovial fluid IL-1, IL-1 receptor-α, IL-6, IL-8, and chemokine CCL3 and synovial tissue CD3-positive T cells may prove useful as biomarkers of PsA activity. Circulating osteoclast precursors, Dickkopf-1, macrophage colony stimulating factor, receptor activator of nuclear factor-κB ligand, and bone alkaline phosphatase are strong candidates as biomarkers of radiographic change. Prospective studies to identify biomarkers for psoriatic disease are high on the research agenda of the Group for Research and Assessment of Psoriasis and PsA.
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 | 0,004 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,004 | 0,005 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,004 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,009 |
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 ».