Autoantibody profiles delineate distinct subsets of scleromyositis
Notice bibliographique
Résumé
OBJECTIVE: Scleromyositis remains incompletely characterized owing in part to its heterogeneity. The purpose of this study was to explore the role of autoantibody profiles to define subsets of scleromyositis. METHODS: Subjects with scleromyositis from a prospective cohort were divided into three groups based on autoantibody profiles: subjects with SSc-specific autoantibodies (anti-centromere, -topoisomerase 1, -RNA polymerase III, -Th/To, -fibrillarin), subjects with SSc-overlap autoantibodies (anti-PM/Scl, -U1RNP, -Ku) and subjects without SSc-related autoantibodies. Clinical features, laboratory tests and histopathological findings were retrieved and compared between groups. RESULTS: Of 42 scleromyositis subjects (79% female, mean age at diagnosis 55 years, mean disease duration 3.5 years), 8 (19%) subjects had SSc-specific autoantibodies, 14 (33%) SSc-overlap autoantibodies and 20 (48%) had no SSc-related autoantibodies. One-third had no skin involvement, a finding more frequent in the SSc-overlap subjects and those without SSc-related autoantibodies. Proximal and distal weakness was common and head drop/bent spine was found in 50% of the SSc-specific and 35% of the subjects without SSc-related autoantibodies. Of note, the group without SSc-related autoantibodies had the only cases of severe cardiac systolic dysfunction (n = 1) and scleroderma renal crisis (n = 1), as well as three out of the four cancers and three out of the four deaths. CONCLUSION: In this carefully phenotyped series of scleromyositis subjects, absence of SSc-related autoantibodies was common and associated with distinct features and poor prognosis. Future studies are needed to validate these results and possibly identify novel autoantibodies or other biomarkers associated with scleromyositis.
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) | 0,000 | 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 | 0,000 |
| 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 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 ».