Identification of pathogens causing invasive fungal rhinosinusitis in surgical biopsies using polymerase chain reaction
Notice bibliographique
Résumé
BACKGROUND: Invasive fungal rhinosinusitis is associated with high morbidity and mortality. Rapid pathogen identification is mandatory, but fresh tissue is not always available. A polymerase chain reaction method was designed in order to detect fungi in formalin-fixed paraffin-embedded samples. This was applied to a retrospective series of tissue biopsies from Thai patients with invasive fungal rhinosinusitis. METHODS: Tissue blocks from 64 cases yielded adequate DNA. Three sequential polymerase chain reaction were performed: ZP3 (housekeeping gene) and panfungal polymerase chain reactions, and a differentiating polymerase chain reaction based on the 5.8s ribosomal RNA and internal transcribed spacer 2 regions. The polymerase chain reaction products were then sequenced. RESULTS: Polymerase chain reaction identified a fungal pathogen in 20 of 64 cases (31 per cent). Aspergillus species was the most common cause of invasive fungal rhinosinusitis (nine cases). Other causes included candida (n = 4), cladosporium (n = 4), mucor (n = 1), alternaria (n = 1) and dendryphiella (n = 1) species. CONCLUSION: Polymerase chain reaction can provide rapid identification of fungal pathogens in paraffin-embedded tissue, enabling prompt treatment of invasive fungal rhinosinusitis.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,000 |
| 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 ».