Ultrasensitive Interferons quantification in idiopathic inflammatory myopathies serve as biomarkers of activity in dermatomyositis and anti-synthetase syndrome
Notice bibliographique
Résumé
Abstract Objectives Inflammatory idiopathic myopathies (IIM) are a heterogeneous group of disorders, ranging from a muscle-specific autoimmune disease to a systemic one that are difficult to assess. Recent insights into IIM pathogenesis highlighted the role of interferon (IFN) in the pathophysiology. The aim of this study was to test if IFN serum levels can a use as a biomarker of disease activity in IIM. Methods IFN type I and II were measured using an ultrasensitive detection technology and assess the potential of IFN. Results One hundred and fifty-two patients (dermatomyositis (DM); n=50, anti-synthetase syndrome (ASyS); n=46, immune-mediated necrotizing myopathy (IMNM); n=32, inclusion body myositis (IBM); n=24) and 33 age-matched healthy donors were included. IFN-α levels were higher only in DM (0.07 pg/ml [0.03-0.23], p<0.005) and ASyS groups (0.07 [0.02-0.16], p<0.05) compared with controls (0.02 [0.01-0.05]). IFN-β was increased only in DM and IFN-γ among all IIM. IFN-α levels were correlated with disease activity in DM (r=0.76, p<0.0001). The predictive accuracy of IFN-α level to discriminate active and non-active disease was excellent as reflected by an area under the ROC-curve of 0.88. Using an IFN-α level cut-off above 0.11 pg/ml, the sensitivity was 75% and the specificity was 96% in DM patient. IFN-α and IFN-γ were correlated with disease activity in ASyS groups (r=0.55 and r=0.46 p<0.05)). Conclusions IFNs are promising biomarker for DM and ASyS disease activity.
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 | 0,000 | 0,001 |
| 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 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 ».