Primary Biliary Cirrhosis (PBC), PBC Autoantibodies, and Hepatic Parameter Abnormalities in a Large Population of Systemic Sclerosis Patients
Notice bibliographique
Résumé
OBJECTIVE: To investigate the diagnostic accuracy of antimitochondrial antibodies (AMA), sp100, and gp210 antibodies for primary biliary cirrhosis (PBC) in a large population of patients with systemic sclerosis (SSc); to examine concordance of these antibodies with subsets of SSc. Further, to assess the association of SSc-related antibodies with hepatic parameter abnormalities. METHODS: We obtained medical records to verify the diagnoses of SSc and PBC. Sera from all participants were examined for the presence of SSc- and PBC-related antibodies, as well as for abnormalities in hepatic parameters. RESULTS: We examined 817 patients with SSc, of whom 16 (2%) had confirmed PBC. The sensitivity and specificity of AMA by a MIT3 ELISA for PBC were 81.3% and 94.6%, respectively. Sp100 had a sensitivity and specificity of 31.3% and 97.4%, respectively, while gp210 had an even lower sensitivity. We were able to detect all PBC cases using AMA(MIT3) and sp100 as a combined marker, resulting in a significantly improved sensitivity of 100% (p = 0.042) with an incremental decrease in specificity to 92.6%. Independent of AMA or sp100 status, there was an association of anticentromere B (CENP-B) and anti-topoisomerase antibodies (ATA) with higher alkaline phosphatase levels (p = 0.051 and p = 0.003, respectively) while anti-RNA polymerase III (anti-RNAP) was associated with lower alkaline phosphatase levels (p = 0.019) among the patients with SSc. CONCLUSION: Utilization of AMA(MIT3) and sp100 antibodies as a combined diagnostic marker leads to an improved detection of PBC in patients with SSc. CENP-B and ATA are associated with alkaline phosphatase elevation.
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 | 0,000 |
| 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 | 0,000 | 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 ».