Differential Proteomics for Distinguishing Ischemic Stroke from Controls: a Pilot Study of the SpecTRA Project
Notice bibliographique
Résumé
A diagnostic blood test for stroke is desirable but will likely require multiple proteins rather than a single "troponin." Validating large protein panels requires large patient numbers. Mass spectrometry (MS) is a cost-effective tool for this task. We compared differences in the abundance of 147 protein markers to distinguish 20 acute cerebrovascular syndrome (ACVS) patients who presented to the Emergency Department of one urban hospital within < 24 h from onset) and from 20 control patients who were enrolled via an outpatient neurology clinic. We targeted proteins from the stroke literature plus cardiovascular markers previously studied in our lab. One hundred forty-one proteins were quantified using MS, 8 were quantified using antibody protein enrichment with MS, and 32 were measured using ELISA, with some proteins measured by multiple techniques. Thirty proteins (4 by ELISA and 26 by the MS techniques) were differentially abundant between mimic and stroke after adjusting for age in robust regression analyses (FDR < 0.20). A logistic regression model using the first two principal components of the proteins significantly improved discrimination between strokes and controls compared to a model based on age alone (p < 0.001, cross-validated AUC 0.93 vs. 0.78). Significant proteins included markers of inflammation (47%), coagulation (40%), atrial fibrillation (7%), neurovascular unit injury (3%), and other (3%). These results suggest the potential value of plasma proteins as biomarkers for ACVS diagnosis and the role of plasma-based MS in this area.
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 | 0,001 | 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 | 0,001 |
| 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 ».