Anti-α-glucose–based glycan IgM antibodies predict relapse activity in multiple sclerosis after the first neurological event
Notice bibliographique
Résumé
BACKGROUND: There is no specific serum-based biomarker for the diagnosis or prognosis of relapsing-remitting multiple sclerosis (RRMS). OBJECTIVE: We investigated whether levels of IgM antibodies to Glc(alpha1,4)Glc(alpha) (GAGA4) or to a panel of four glucose-based glycans could differentiate MS from other neurological diseases (OND) or predict risk of early relapse following first presentation (FP) of RRMS. METHODS: Retrospective analysis of 440 sera samples of three cohorts: A) FP-RRMS (n = 44), OND (n = 44); B) FP-RRMS (n = 167), OND (n = 85); and C) FP (n = 100). Anti-GAGA4 IgM levels were measured by enzyme immunoassay in cohort-A and cohort-B. Cohort-C IgM antibodies to glucose-based glycan panel were measured by immunofluorescence. RESULTS: FP-RRMS had higher levels of anti-GAGA4 IgM than OND patients (cohort-A, P = 0.01; cohort-B, P = 0.0001). Sensitivity and specificity were 27% and 97% for cohort-A; and 26% and 90% for cohort-B, respectively. In cohort-C, 58 patients experienced early relapse (<24 months), 31 had late relapse (> or =24 months), and 11 did not experience second attack during follow-up. Kaplan-Meier curves demonstrated decrease in time to next relapse for patients positive for the antibody panel (P = 0.02, log rank). CONCLUSIONS: Serum anti-GAGA4 IgM discerns FP-RRMS patients from OND patients. Higher levels of serum anti-alpha-glucose IgM in FP patients predict imminent early relapse.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,003 |
| 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 ».