MétaCan
Menu
Retour à la cohorte
Enregistrement W4210662356 · doi:10.4155/bio-2021-0259

Lysosphingolipid Urine Screening Test using Mass Spectrometry for the Early Detection of Lysosomal Storage Disorders

2022· article· en· W4210662356 sur OpenAlexaff
Marcel André Kelkel, Michel Boutin, Filipa Curado, Peter Bauer, Éliane Beauregard‐Lacroix, François Mercier, Bruno Maranda, Iskren Menkovic, Tristan Martineau, Christiane Auray‐Blais

Notice bibliographique

RevueBioanalysis · 2022
Typearticle
Langueen
DomaineMedicine
ThématiqueLysosomal Storage Disorders Research
Établissements canadiensMcGill UniversityJewish General HospitalUniversité de SherbrookeCentre Hospitalier Universitaire Sainte-JustineUniversité de MontréalCentre Intégré Universitaire de Santé et de Services Sociaux du Centre-Sud-de-l'Île-de-Montréal
Organismes subventionnairesSanofi Genzyme
Mots-clésUrineChromatographyMass spectrometryUrinary systemSphingolipidChemistryHigh-performance liquid chromatographySolid phase extractionLiquid chromatography–mass spectrometryMedicineInternal medicineBiochemistry

Résumé

récupéré en direct d'OpenAlex

Background: Sphingolipidoses are caused by a defective sphingolipid catabolism, leading to an accumulation of several glycolipid species in tissues and resulting in neurotoxicity and severe systemic manifestations. Methods & results: Urine samples from controls and patients were purified by solid-phase extraction prior to the analysis by ultra-high-performance liquid chromatography (UPLC) combined with MS/MS. A UPLC–MS/MS method for the analysis of 21 urinary creatinine-normalized biomarkers for eight diseases was developed and validated. Conclusion: Considering the growing demand to identify patients with different sphingolipidoses early and reliably, this methodology will be applied for high-risk screening to target efficiently patients with various sphingolipidoses.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,004

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,024
Tête enseignante GPT0,286
Écart entre enseignants0,261 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueBioanalysisMême sujetLysosomal Storage Disorders ResearchTravaux en français237 207