Myositis-Specific Antibodies and Myositis-Associated Antibodies in Patients With Idiopathic Inflammatory Myopathies From the PANLAR Myositis Study Group
Notice bibliographique
Résumé
BACKGROUND: Dermatomyositis (DM) and polymyositis (PM) are forms of idiopathic inflammatory myopathies (IIMs), which are associated with the production of autoantibodies that are useful in the diagnosis and prognosis of the disease. OBJECTIVE: The aim of this study was to determine the frequency of antinuclear autoantibodies (ANAs), myositis-specific autoantibodies (MSAs), and myositis-associated autoantibodies (MAAs) in 6 Latin American countries. METHODS: Two hundred ten patients with IIM were included in this cross-sectional study from 2014 to 2017: 112 from Mexico, 46 from Colombia, 20 from Peru, 16 from the Dominican Republic, 10 from Argentina, and 6 from Guatemala. Antinuclear autoantibodies were detected by indirect immunofluorescence on HEp-2 cells. MSAs and MAAs were tested by a line immunoassay method. Mann-Whitney U and χ2 tests were used for statistical analysis. RESULTS: Of the 210 IIM patients, 139 (66.2%) had DM, 59 (28%) PM, and 12 (5.7%) juvenile DM. The mean age was 43.5 (6-79 years); 158 (75.2%) were female, and 52 (24.8%) were male. The overall frequency of ANA was 60%. The most frequent patterns were fine speckled (AC-4) (78.3%) and cytoplasmic (AC-19) (6.45%). The most frequent MSA were anti-Mi-2 (38.5%) and anti-Jo-1 (11.9%). Anti-Mi-2 was more frequent in patients from Colombia (40.1%). The MAA more frequent were anti-Ro-52/TRIM21 (17.6%) and anti-PM-Scl75 (7.5%). CONCLUSIONS: This is the first study of ANA, MSA, and MAA in patients from 6 countries from the Panamerican League against Rheumatism myositis study group. We observed a general prevalence of 60% of ANA. In relation to MSA and MAA, anti-Mi-2 was the more frequent (38.5%).
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».