Detection of antinuclear antibodies: recommendations from EFLM, EASI and ICAP
Notice bibliographique
Résumé
OBJECTIVES: Antinuclear antibodies (ANA) are important for the diagnosis of various autoimmune diseases. ANA are usually detected by indirect immunofluorescence assay (IFA) using HEp-2 cells (HEp-2 IFA). There are many variables influencing HEp-2 IFA results, such as subjective visual reading, serum screening dilution, substrate manufacturing, microscope components and conjugate. Newer developments on ANA testing that offer novel features adopted by some clinical laboratories include automated computer-assisted diagnosis (CAD) systems and solid phase assays (SPA). METHODS: A group of experts reviewed current literature and established recommendations on methodological aspects of ANA testing. This process was supported by a two round Delphi exercise. International expert groups that participated in this initiative included (i) the European Federation of Clinical Chemistry and Laboratory Medicine (EFLM) Working Group "Autoimmunity Testing"; (ii) the European Autoimmune Standardization Initiative (EASI); and (iii) the International Consensus on ANA Patterns (ICAP). RESULTS: In total, 35 recommendations/statements related to (i) ANA testing and reporting by HEp-2 IFA; (ii) HEp-2 IFA methodological aspects including substrate/conjugate selection and the application of CAD systems; (iii) quality assurance; (iv) HEp-2 IFA validation/verification approaches and (v) SPA were formulated. Globally, 95% of all submitted scores in the final Delphi round were above 6 (moderately agree, agree or strongly agree) and 85% above 7 (agree and strongly agree), indicating strong international support for the proposed recommendations. CONCLUSIONS: These recommendations are an important step to achieve high quality ANA testing.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».