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 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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».