A.02 Clinical clues for autoimmunity in the etiology of autistic regression
Notice bibliographique
Résumé
Background: Autistic regression (AR) accounts for 20-40% of patients with Autism Spectrum Disorder (ASD) .1 Literature demonstrates specific immune changes in AR patients,2 as well as association between AR and autoimmune thyroiditis.3 Our study explores the clinical association between AR and autoimmunity, focusing on possible precipitants and familial autoimmunity, in comparison with patients with infantile autism (IA). Methods: charts of children diagnosed with ASD in 2014 were reviewed, and patients were classified as either AR or IA based on Autism Diagnostic Interview (ADI-R) criteria.4 Information regarding pregnancy, perinatal complications, febrile illness preceding the diagnosis, and family history of autoimmune conditions was collected. Results: 206 children had IA and 33 had AR. No difference was found in prevalence of pregnancy or perinatal complications. The incidence of febrile illness in the 6 months prior to diagnosis and the prevalence of familial autoimmunity, were significantly higher in the AR group (p<0.001). Diabetes type I, celiac disease, autoimmune thyroiditis, and inflammatory bowel disease were more common in families of AR patients (p<0.05). Conclusions: the association between AR and preceding febrile illness, as well as familial autoimmunity, supports the notion of AR as a separate entity within ASD, possibly mediated by autoimmune changes.
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 | 0,000 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,002 |
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 ».