Ultrasensitive immunoassay allows measurement of serum neurofilament heavy in multiple sclerosis
Notice bibliographique
Résumé
BACKGROUND: Neurofilament heavy (NfH) is a promising biomarker for neuro-axonal damage in Multiple Sclerosis (MS). We compared the performance of high-sensitivity serum-NfH immunoassays, with as aim to investigate the value of serum-NfH as biomarker for MS. METHODS: We measured serum-NfH in 76 MS patients with Simoa (one commercial, one in-house) or Luminex assays. Serum-NfH measured by the immunoassay with greatest sensitivity was related to clinical and radiological outcomes with age and sex-adjusted linear regression analysis, and to biological outcomes cerebrospinal fluid (CSF)-NfH, serum neurofilament light (NfL) and CSF-NfL with Spearman's correlation analysis. RESULTS: With the commercial Simoa assay, we obtained 100% serum-NfH detectability (in-house Simoa: 70%, Luminex: 61%), with lowest coefficient of variation (CV) between duplicates of 11%CV (in-house Simoa: 22%CV, Luminex: 30%CV). Serum-NfH quantified with the commercial Simoa assay was associated with disease duration (standardized beta (sβ) = 0.28, p = 0.034), T2 lesion volume (sβ = 0.23, p = 0.041), and tended to associate with black hole count (sβ = 0.21, p = 0.084) but not with Expanded Disease Disability Score (EDSS) or normalized brain volume (all: p>0.10). Furthermore, serum-NfH showed correlations with CSF-NfH (rho = 0.27, p = 0.018) and serum-NfL (rho=0.44, p < 0.001), but not with CSF-NfL. CONCLUSIONS: Serum-NfH can be quantified with high-sensitivity technology. Cross-sectionally, we observed some weak correlations of serum-NfH with MS disease burden parameters, suggesting there might be some utility for serum-NfH as biomarker for MS disease burden.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| 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 ».