Anti-nucleosome antibodies outperform traditional biomarkers as longitudinal indicators of disease activity in systemic lupus erythematosus
Notice bibliographique
Résumé
OBJECTIVE: The aim of this study was to determine whether anti-nucleosome antibodies function as activity-specific biomarkers in SLE. METHODS: Fifty-one patients were recruited and followed prospectively with periodic clinical and biochemical assessments over a 14-month period. Disease activity was determined by the SLEDAI-2K. Anti-nucleosome antibody levels were measured by an ELISA and its utility as an activity-specific biomarker as compared with that of anti-dsDNA antibodies and C3 was assessed both at baseline and in longitudinal analysis. RESULTS: Anti-nucleosome antibodies were significantly elevated in SLE patients vs controls and showed a moderate positive correlation with disease activity. The utility of anti-nucleosome antibodies in identifying patients with active disease in a cross-sectional analysis was comparable to that of anti-dsDNA antibodies and C3. Analysis of variance demonstrated that the level of anti-nucleosome antibodies and C3 varied significantly with changes in disease activity over time. Changes in clinical state were not mirrored by changes in anti-dsDNA antibodies. In time-dependent analysis, anti-nucleosome antibodies showed a better fit over time than anti-dsDNA antibodies and C3. In pairwise comparisons, C3 and anti-nucleosome antibodies outperformed other models, including the conventional pairing of C3 and anti-dsDNA antibodies, however, no biomarker alone or as a group accurately predicted impending remissions or exacerbations. CONCLUSION: Anti-nucleosome antibodies demonstrate greater fidelity as a biomarker for changes in SLE disease activity than traditional biomarkers, supporting the routine monitoring of this antibody in clinical practice.
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 | 0,001 | 0,001 |
| 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 ».