Skin Gene Expression Is Prognostic for the Trajectory of Skin Disease in Patients With Diffuse Cutaneous Systemic Sclerosis
Notice bibliographique
Résumé
OBJECTIVE: At present, there are no clinical or laboratory measures that accurately forecast the progression of skin fibrosis and organ involvement in patients with systemic sclerosis (SSc). The goal of this study was to identify skin biomarkers that could be prognostic for the progression of skin fibrosis in patients with early diffuse cutaneous SSc (dcSSc). METHODS: We analyzed clinical data and gene expression in skin biopsy samples from 38 placebo-treated patients, part of the Roche Safety and Efficacy of Subcutaneous Tocilizumab in Adults with Systemic Sclerosis (FASSCINATE) phase II study of tocilizumab in SSc. RNA samples were analyzed using nCounter. A trajectory model based on a modified Rodnan skin thickness score was used to describe 3 skin disease trajectories over time. We examined the association of skin gene expression with skin score trajectory groups, by chi-square test. Logistic regression was used to examine the prognostic power of each gene identified. RESULTS: We found that placebo-treated patients with high expression of messenger RNA for CD14, SERPINE1, IL13RA1, CTGF, and OSMR at baseline were more likely to have progressive skin score trajectories. We also found that those genes were prognostic for the risk of skin progression and that IL13RA1, OSMR, and SERPINE1 performed the best. CONCLUSION: Skin gene expression of biomarkers associated with macrophages (CD14, IL13RA1) and transforming growth factor β activation (SERPINE1, CTGF, OSMR) are prognostic for progressive skin disease in patients with dcSSc. These biomarkers may provide guidance in decision-making about which patients should be considered for aggressive therapies and/or for clinical trials.
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) | 0,001 | 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 ».