Evaluation of the protein gap for detection of abnormal serum gammaglobulin level: an imperfect predictor
Notice bibliographique
Résumé
OBJECTIVES: The value of the serum protein gap (PG, difference between total protein and albumin) in the detection of hyper- or hypogammaglobulinemia is not well established. We assessed the performance of PG for the detection of hyper- or hypogammaglobulinemia in a large sample of patients. METHODS: We reviewed all paired measurements of serum total protein, albumin, quantitative immunoglobulins, and serum protein electrophoresis tested between March 2014 and June 2017 at the Eastern Ontario Regional Laboratory Association. Sensitivity, specificity, positive predictive value, negative predictive value and likelihood ratios of PG at thresholds between 18 and 44 g/L for the detection of hyper- and hypogammaglobulinemia were assessed. RESULTS: There were 19,575 and 5,426 simultaneous paired data points to assess hyper- and hypogammaglobulinemia identified by serum protein electrophoresis (SPE) and nephelometry, respectively. The mean PG was 36.3 g/L (SD 8.6). The prevalence of hypergammaglobulinemia (>16 g/L by SPE) and hypogammaglobulinemia (IgG <7 g/L) was 21.9 and 5.5%, respectively. High PG (≥38 g/L) had sensitivity and specificity of 76.2 and 71.5% respectively for hypergammaglobulinemia. PG ≥38 g/L had a negative predictive value (NPV) of 93.1% for monoclonal, and 96.9% for polyclonal gammopathy. A PG threshold of ≤18 g/L had of sensitivity of 0.4%, specificity of 100%, PPV of 100% and NPV of 80.1% to detect hypogammaglobulinemia (IgG <7 g/L). CONCLUSIONS: High and low PG values were not sensitive in detecting hyper- or hypogammaglobulinemia, although negative predictive values were high for both. Performance of PG should be further evaluated prospectively in specific populations at risk of for abnormal IgG levels.
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 | 0,003 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 |
| 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 ».