The Positive Predictive Value of a Very High Serum IgG4 Concentration for the Diagnosis of IgG4-Related Disease
Notice bibliographique
Résumé
OBJECTIVE: Serum IgG4 concentrations are used to evaluate a diagnosis of IgG4-related disease (IgG4-RD), but the positive predictive value (PPV) of a very high IgG4 level is uncertain. This study evaluated the PPV of a very high IgG4 concentration for diagnosing IgG4-RD. METHODS: The data warehouses of 2 large academic healthcare systems were queried for IgG4 concentration test results. Cases with serum IgG4 concentrations > 5× the upper limit of normal (ULN) were included. Cases of IgG4-RD were determined using the American College of Rheumatology/European Alliance of Associations for Rheumatology (ACR/EULAR) classification criteria. The PPV for IgG4-RD of an IgG4 concentration > 5× ULN was estimated. Other conditions associated with very high IgG4 concentrations and specific features of IgG4-RD cases were characterized. RESULTS: IgG4 concentrations were available in 32,206 cases. Of these, 3039 (9.4%) had elevated IgG4 concentrations, and a final cohort of 191 (0.6%) cases had IgG4 concentrations > 5× ULN (median age 66 yrs, 72% male). The PPV of an IgG4 concentration > 5× ULN for a diagnosis of IgG4-RD was 75.4% (95% CI 68.7-81.3). In the remaining cases, elevated IgG4 concentrations were observed among patients with malignancies, autoimmune diseases, and infections. CONCLUSION: The majority of cases with serum IgG4 concentrations > 5× ULN in this study had IgG4-RD. These data support the high weight placed on very high serum IgG4 concentrations in the ACR/EULAR classification criteria. However, 25% of cases with very high IgG4 concentrations had an alternative diagnosis, underscoring the importance of considering the broad differential of etiologies associated with an elevated IgG4 concentration when evaluating a patient.
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 | 0,001 |
| 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) | 0,000 | 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 ».