Reporting of post-polyethylene glycol prolactin: precipitation by polyethylene glycol 6000 or polyethylene glycol 8000 will change reference intervals for monomeric prolactin
Notice bibliographique
Résumé
BACKGROUND: When screening for macroprolactin, many laboratories use precipitation by polyethylene glycol (PEG) with molecular weight 6000 (PEG6000) or 8000 (PEG8000), and report the percentage prolactin recovery. It has been proposed that reporting of percentage prolactin recovery should be replaced by absolute post-PEG prolactin; however, the post-PEG prolactin reference interval has been established using PEG6000 only. We sought to determine whether the use of PEG8000, instead of PEG6000, changed post-PEG prolactin concentrations. METHODS: We compared the post-PEG6000 and post-PEG8000 prolactin concentrations in hyperprolactinaemic serum samples referred for macroprolactin screening (n=40), using Passing-Bablok regression analysis and Bland-Altman difference plot. RESULTS: The median (25th-75th percentile, range) total prolactin, post-PEG6000 and post-PEG8000 prolactin concentrations were, respectively, 36 (31-46, 23-83) μg/L, 27 (20-38, 18-72) μg/L and 24 (18-35, 16-64) μg/L for male serum samples (n=5); and 56 (39-83, 24-596) μg/L, 45 (31-67, 8-503) μg/L and 41 (28-62, 6-457) μg/L for female serum samples (n=35) (mIU/L conversion factor: 21.2). The Passing-Bablok analysis demonstrated a significant constant bias of -1.27 and a non-significant proportional bias of 0.96. The Bland-Altman plot showed a bias of -8.2% (95% limits of agreement -19.3-2.9%). CONCLUSIONS: There is a significant constant bias between the two macroprolactin precipitation methods. We changed our PEG precipitation to a PEG6000 method. Laboratories that use PEG8000 should consider the transference of the reference interval established with PEG6000 carefully.
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 | 0,004 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».