The evaluation of cytokines to help establish diagnosis and guide treatment of autoinflammatory and autoimmune diseases
Notice bibliographique
Résumé
Our knowledge of the role of cytokines in pathologic conditions has increased considerably with the emergence of molecular and genetic studies, particularly in the case of autoinflammatory monogenic diseases. Many rare disorders, considered orphan until recently, are directly related to abnormal gene regulation, and the treatment with biologic agents (biologics) targeting cytokine receptors, intracellular signaling or specific cytokines improve the symptoms of an increasing number of chronic inflammatory diseases. As it is currently impossible to systematically conduct genetic studies for all patients with autoinflammatory and autoimmune diseases, the evaluation of cytokines can be seen as a simple, less time consuming, and less expensive alternative. This approach could be especially useful when the diagnosis of syndromes of diseases of unknown etiology remains problematic. The evaluation of cytokines could also help avoid the current trial-and-error approach, which has the disadvantages of exposing patients to ineffective drugs with possible unnecessary side effects and permanent organ damages. In this review, we discuss the various possibilities, as well as the limitations of evaluating the cytokine profiles of patients suffering from autoinflammatory and autoimmune diseases, with methods such as direct detection of cytokines in the plasma/serum or following ex vivo stimulation of PBMCs leading to the production of their cytokine secretome. The patients' secretome, combined with biomarkers ranging from genetic and epigenetic analyses to immunologic biomarkers, may help not only the diagnosis but also guide the choice of biologics for more efficient and rapid treatments.
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 | 0,001 |
| 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 ».