Modeling the conversion between specific IgE test platforms for nut allergens in children and adolescents
Notice bibliographique
Résumé
BACKGROUND: Multiplex tests allow for measurement of allergen-specific IgE responses to multiple extracts and molecular allergens and have several advantages for large cohort studies. Due to significant methodological differences, test systems are difficult to integrate in meta-analyses/systematic reviews since there is a lack of datasets with direct comparison. We aimed to create models for statistical integration of allergen-specific IgE to peanut/tree nut allergens from three IgE test platforms. METHODS: Plasma from Canadian and Austrian children/adolescents with peanut/tree nut sensitization and a cohort of sensitized, high-risk, pre-school asthmatics (total n = 166) were measured with three R&D multiplex IgE test platforms: Allergy Explorer version 1 (ALEX) (Macro Array Dx), MeDALL-chip (Mechanisms of Development of Allergy) (Thermo Fisher), and EUROLINE (EUROIMMUN). Skin prick test (n = 51) and ImmunoCAP (Thermo Fisher) (n = 62) results for extracts were available in a subset. Regression models (Multivariate Adaptive Regression Splines, local polynomial regression) were applied if >30% of samples were positive to the allergen. Intra-test correlations between PR-10 and nsLTP allergens were assessed. RESULTS: = 94%-56%) for peanut and tree nut sIgE testing at the extract and molecular-level, in order from highest to lowest: Ara h 2, Ara h 6, Jug r 1, Ana o 3, Ara h 1, Jug r 2, and Cor a 9. CONCLUSION: Our models support the notion that quantitative conversion is possible between sIgE multiplex platforms for extracts and molecular allergens and may provide options to aggregate data for future meta-analysis.
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 | 0,001 |
| 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 ».