Blister fluid as a cellular input for ex vivo diagnostics in drug-induced severe cutaneous adverse reactions improves sensitivity and explores immunopathogenesis
Notice bibliographique
Résumé
Background: testing methods, such as patch or intradermal testing, are limited by a lack of standardization and poor sensitivity. Modern approaches to testing include measurement of IFN-γ release from patient PBMCs stimulated with the suspected causative drug. Objective: diagnostics for drug-induced SCARs by comparing enzyme-linked immunospot (ELISpot) sensitivities and flow cytometry-based intracellular cytokine staining and determination of the cellular composition of separate samples (PBMCs or blister fluid cells [BFCs]) from the same donor. Methods: ELISpot and flow cytometry analyses of IFN-γ release were performed on donor-matched PBMC and BFC samples from 4 patients with SCARs with distinct drug hypersensitivity. Results: Immune responses to suspected drugs were detected in both the PBMC and BFC samples of 2 donors (donor patient 1 in response to ceftriaxone and case patient 4 in response to oxypurinol), with BFCs eliciting stronger responses. For the other 2 donors, only BFC samples showed a response to meloxicam (case patient 2) or sulfamethoxazole and its 4-nitro metabolite (case patient 3). Consistently, flow cytometry revealed a greater proportion of IFN-γ-secreting cells in the BFCs than in the PBMCs. The BFCs from case patient 3 were also enriched for memory, activation, and/or tissue recruitment markers over the PBMCs. Conclusion: Analysis of BFC samples for drug hypersensitivity diagnostics offers a higher sensitivity for detecting positive responses than does analysis of PBMC samples. This is consistent with recruitment (and enrichment) of cytokine-secreting cells with a memory/activated phenotype into blisters.
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 | 0,003 |
| 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 ».