Aqueous humour concentrations of TGF‐<i>β</i>, PLGF and FGF‐1 and total retinal blood flow in patients with early non‐proliferative diabetic retinopathy
Notice bibliographique
Résumé
Abstract Purpose To correlate angiogenic cytokines in the aqueous humour with total retinal blood flow in subjects with type 2 diabetes with non‐proliferative diabetic retinopathy ( NPDR ). Methods A total of 17 controls and 16 NPDR patients were recruited into the study. Aqueous humour was collected at the start of cataract surgery to assess the concentration of 14 angiogenic cytokines. Aqueous humour was analysed using the suspension array method. Six images were acquired to assess total retinal blood flow ( TRBF ) using the prototype RTV ue ™ Doppler Fourier domain optical coherence tomography (Doppler FD‐OCT) (Optovue, Inc., Fremont, CA ) using a double circular scan protocol, 1 month postsurgery. At the same visit, forearm blood was collected to determine glycosylated haemoglobin (A1c). Results Transforming growth factor beta ( TGF ‐ β 1, TGF ‐ β 2) and PLGF were increased while FGF ‐1 was reduced in NPDR compared to controls (Bonferroni corrected, p < 0.003 for all). Total retinal blood flow (TRBF) was significantly reduced in the NPDR group compared to controls (33.1 ± 9.9 versus 43.3 ± 5.3 μ l/min, p = 0.002). Aqueous FGF ‐1 significantly correlated with TRBF in the NPDR group ( r = 0.71, p = 0.01; r 2 = 0.51). In a multiple regression analysis, A1c was found to be a significant predictor of aqueous TGF ‐ β 1 and FGF ‐1 (p = 0.018 and p = 0.020, respectively). Conclusion Aqueous angiogenic cytokines ( TGF ‐ β 1, TGF ‐ β 2 and PLGF ) were elevated in conjunction with a reduction in TRBF in patients with NPDR compared to controls. Non‐invasive measurement of TRBF may be useful for predicting aqueous FGF ‐1 levels and severity of vasculopathy in DR .
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,000 | 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 ».