Cytokine Thresholds in Gingival Crevicular Fluid with Potential Diagnosis of Chronic Periodontitis Differentiating by Smoking Status
Notice bibliographique
Résumé
The objective of the present study was to determine cytokine thresholds derived from predictive models for the diagnosis of chronic periodontitis, differentiating by smoking status. Seventy-five periodontally healthy controls and 75 subjects affected by chronic periodontitis were recruited. Sixteen mediators were measured in gingival crevicular fluid (GCF) using multiplexed bead immunoassays. The models were obtained using binary logistic regression, distinguishing between non-smokers and smokers. The area under the curve (AUC) and numerous classification measures were obtained. Model curves were constructed graphically and the cytokine thresholds calculated for the values of maximum accuracy (ACC). There were three cytokine-based models and three cytokine ratio-based models, which presented with a bias-corrected AUC > 0.91 and > 0.83, respectively. These models were (cytokine thresholds in pg/ml for the median ACC using bootstrapping for smokers and non-smokers): IL1alpha (46099 and 65644); IL1beta (4732 and 5827); IL17A (11.03 and 17.13); IL1alpha/IL2 (4210 and 7118); IL1beta/IL2 (260 and 628); and IL17A/IL2 (0.810 and 1.919). IL1alpha, IL1beta and IL17A, and their ratios with IL2, are excellent diagnostic biomarkers in GCF for distinguishing periodontitis patients from periodontally healthy individuals. Cytokine thresholds in GCF with diagnostic potential are defined, showing that smokers have lower threshold values than non-smokers.
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 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».