MétaCan
Menu
Retour à la cohorte
Enregistrement W4290755165 · doi:10.1097/mol.0000000000000831

Diagnosis of remnant hyperlipidaemia

2022· review· en· W4290755165 sur OpenAlexaff
Martine Paquette, Sophie Bernard, Alexis Baass

Notice bibliographique

RevueCurrent Opinion in Lipidology · 2022
Typereview
Langueen
DomaineMedicine
ThématiqueDiabetes, Cardiovascular Risks, and Lipoproteins
Établissements canadiensMcGill UniversityUniversité de MontréalMontreal Clinical Research Institute
Organismes subventionnairesnon disponible
Mots-clésPhenotypeApolipoprotein EApolipoprotein BDiseaseBioinformaticsComplex diseaseMedicineComputational biologyBiologyGeneGeneticsCholesterolPathologyInternal medicine

Résumé

récupéré en direct d'OpenAlex

PURPOSE OF REVIEW: In recent years, there has been interest for the development of simplified diagnosis algorithms of dysbetalipoproteinemia (DBL) in order to avoid the complex testing associated with the Fredrickson criteria (reference method). The purpose of this review is to present recent advances in the field of DBL with a focus on screening and diagnosis. RECENT FINDINGS: Recently, two different multi-step algorithms for the diagnosis of DBL have been published and their performance has been compared to the Fredrickson criteria. Furthermore, a recent large study demonstrated that only a minority (38%) of DBL patients are carriers of the E2/E2 genotype and that these individuals presented a more severe phenotype. SUMMARY: The current literature supports the fact that the DBL phenotype is more heterogeneous and complex than previously thought. Indeed, DBL patients can present with either mild or more severe phenotypes that can be distinguished as multifactorial remnant cholesterol disease and genetic apolipoprotein B deficiency. Measurement of apolipoprotein B as well as APOE gene testing are both essential elements in the diagnosis of DBL.

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)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,016

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0020,001
Bibliométrie0,0030,002
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0050,003

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 Opus0,182
Tête enseignante GPT0,409
Écart entre enseignants0,227 · 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'étudeSans objet
Domainenon disponible
GenreSynthèse

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

En bref

Citations6
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCurrent Opinion in LipidologyMême sujetDiabetes, Cardiovascular Risks, and LipoproteinsTravaux en français237 207