9.4 Autoantibodies in pediatric systemic lupus erythematosus: ethnic grouping, autoantibody clustering and clinical correlations
Notice bibliographique
Résumé
The aims of this study were: 1) to evaluate the spectrum of serum autoantibodies (AA) in pediatric-onset systemic lupus erythematosus (pSLE) with a focus on ethnic differences, 2) to use cluster analysis to identify patients with similar AA patterns and to determine their clinical associations. A single center cohort study of all newly diagnosed pSLE patients seen over an 8-year period was performed. Ethnicity, clinical and serological data were available in 156/169 patients (92%). The frequencies of 10 selected AA among ethnic groups were compared. Cluster analysis was used to identify groups of patients with similar AA profiles. Associations of these groups with clinical and laboratory features of pSLE were examined. Among our 5 ethnic groups, there were differences in the prevalence of anti-U1RNP and anti-Sm antibodies which occurred more frequently in non-Caucasian patients (p < 0.0001, p < 0.01, resp.). Cluster analysis revealed 3 AA clusters. Cluster 1 consisted of anti-dsDNA antibodies. Cluster 2 consisted of anti-dsDNA, anti-chromatin, anti-ribosomal P, anti-U1RNP, anti-Sm, anti-Ro and anti-La AA. Cluster 3 consisted of anti-dsDNA, anti-RNP and anti-Sm AA. The highest proportion of Caucasians was in cluster 1 (p < 0.05) which was characterized by a mild disease with infrequent major organ involvement compared to cluster 2 which had the highest frequency of nephritis, renal failure, serositis and hemolytic anemia, or cluster 3 which was characterized by frequent CNS disease and nephritis. This study demonstrated ethnic differences in AA profiles in pSLE. AA tended to cluster together and the clusters predicted subsequent clinical course.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,002 | 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 | 0,001 | 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 ».