Combined Serological, Genetic, and Inflammatory Markers Differentiate Non-IBD, Crohnʼs Disease, and Ulcerative Colitis Patients
Notice bibliographique
Résumé
BACKGROUND: Previous studies have demonstrated that serological markers can assist in diagnosing inflammatory bowel disease (IBD). In this study, we aim to build a diagnostic tool incorporating serological markers, genetic variants, and markers of inflammation into a computational algorithm to examine patterns of combinations of markers to (1) identify patients with IBD and (2) differentiate patients with Crohn's disease (CD) from ulcerative colitis (UC). METHODS: In this cross-sectional study, patient blood samples from 572 CD, 328 UC, 437 non-IBD controls, and 183 healthy controls from academic and community centers were analyzed for 17 markers: 8 serological markers (ASCA-IgA, ASCA-IgG, ANCA, pANCA, OmpC, CBir1, A4-Fla2, and FlaX), 4 genetic markers (ATG16L1, NKX2-3, ECM1, and STAT3), and 5 inflammatory markers (CRP, SAA, ICAM-1, VCAM-1, and VEGF). A diagnostic Random Forest algorithm was constructed to classify IBD, CD, and UC. RESULTS: Receiver operating characteristic analysis compared the diagnostic accuracy of using a panel of serological markers only (ASCA-IgA, ASCA-IgG, ANCA, pANCA, OmpC, and CBir1) versus using a marker panel that in addition to the serological markers mentioned above also included gene variants, inflammatory markers, and 2 additional serological markers (A4-Fla2 and FlaX). The extended marker panel increased the IBD versus non-IBD discrimination area under the curve from 0.80 (95% confidence interval [CI], ±0.05) to 0.87 (95% CI, ±0.04; P < 0.001). The CD versus UC discrimination increased from 0.78 (95% CI, ±0.06) to 0.93 (95% CI, ±0.04; P < 0.001). CONCLUSIONS: Incorporating a combination of serological, genetic, and inflammation markers into a diagnostic algorithm improved the accuracy of identifying IBD and differentiating CD from UC versus using serological markers 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 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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».