Application of Linear Discriminant Analysis in Performance Evaluation of Extractable Nuclear Antigen Immunoassay Systems in the Screening and Diagnosis of Systemic Autoimmune Rheumatic Diseases
Notice bibliographique
Résumé
This study applied a linear discriminant analysis model to evaluate the performance of 2 types of commercially available extractable nuclear antigen (ENA) immunoassays for the screening and diagnosis of systemic autoimmune rheumatic diseases (SARDs) in a large tertiary hospital reference laboratory: (1) an enzyme-linked immunosorbent assay (ELISA) and (2) a multiplex bead-based immunoassay (MPBI). The results of the study showed both ENA immunoassays had comparable sensitivity for the detection of SARDs compared with the antinuclear antigen immunofluorescence (ANA-IF) method (ANA-IF: 85.6%, ENA-ELISA: 91.5%, ENA-MPBI: 83.1%, pairwise comparisons with ANA-IF: P > .05). However, both ENA immunoassays offered improved specificity compared with the ANA-IF (ANA-IF: 24.2%; ENA-ELISA: 39.8%; ENA-MPBI: 53.1%; pairwise comparison with ANA-IF: P < .001). The use of a more specific screening immunoassay with comparable sensitivity to ANA-IF is important in a tertiary hospital with high prevalence of non-SARD immune diseases. Diagnostic performance of the ENA/dsDNA components by the MPBI and ELISA methods did not differ significantly (area under the curve [AUC], 81.0% vs 83.0%, respectively, P > .05), but the key ENA/dsDNA variables contributing to the discriminating power of the assays for the diagnosis of specific SARDs were reagent/method dependent.
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 | 0,015 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».