Perforin and CD107a testing is superior to NK cell function testing for screening patients for genetic HLH
Notice bibliographique
Résumé
, encoding proteins involved in cytotoxic lymphocyte degranulation. Natural killer (NK)-cell cytotoxicity assays can quickly screen for all of these genetic diseases, facilitating treatment, but combining NK-cell perforin expression and CD107a upregulation tests can as well. To determine the relative diagnostic accuracies for each approach, we retrospectively reviewed screening test performance in 1614 patients referred for HLH evaluation. For each test, we generated a receiver operating characteristic (ROC) curve, and calculated area under the curve (AUC) and diagnostic parameters at optimal threshold. We generated an AUC for combining perforin and CD107a tests by creating a logistic regression model and applying model-generated coefficients to patient values. Sensitivities of NK-cell function, perforin mean channel fluorescence (MCF), and CD107a MCF to detect biallelic mutations were 59.5%, 96.6%, and 93.8%, with specificities of 72.0%, 99.5%, and 73%. AUCs for NK-cell cytotoxicity, perforin MCF, CD107a MCF, and combined perforin and CD107a MCFs were 0.690, 0.971, 0.860, and 0.838. Perforin and CD107a tests are more sensitive and no less specific compared with NK cytotoxicity testing for screening for genetic HLH and should be considered for addition to current HLH criteria.
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 | 0,003 | 0,016 |
| 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 | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».