Higher serum β2-microglobulin is a predictive biomarker for cognitive impairment in spinal cord injury
Notice bibliographique
Résumé
Objective Recent studies have suggested that high levels of β2-microglobulin are linked to cognitive deterioration; however, it is unclear how this connects to spinal cord injury (SCI). This study sought to determine whether there was any association between cognitive decline and serum β2-microglobulin levels in patients with SCI. Methods A total of 96 patients with SCI and 56 healthy volunteers were enrolled as study participants. At the time of enrollment, specific baseline data including age, gender, triglycerides (TG), low-density lipoprotein (LDL), systolic blood pressure (SBP), diastolic blood pressure (DBP), fasting blood glucose (FBG), smoking, and alcohol use were recorded. Each participant was assessed by a qualified physician using the Montreal cognitive assessment (MoCA) scale. Serum β2-microglobulin levels were measured using an enzyme-linked immunosorbent assay (ELISA) reagent for β2-microglobulin. Results A total of 152 participants were enrolled, with 56 in the control group and 96 in the SCI group. There were no significant baseline data differences between the two groups (p > 0.05). The control group had a MoCA score of 27.4 ± 1.1 and the SCI group had a score of 24.3 ± 1.5, with the difference being significant (p < 0.05). The serum ELISA results revealed that the levels of β2-microglobulin in the SCI group were considerably higher (p < 0.05) than those in the control group (2.08 ± 0.17 g/mL compared to 1.57 ± 0.11 g/mL). The serum β2-microglobulin level was used to categorize the patients with SCI into four groups. As serum β2-microglobulin levels increased, the MoCA score reduced (p < 0.05). After adjustment of baseline data, further regression analysis showed that serum β2-microglobulin level remained an independent risk factor for post-SCI cognitive impairment. Conclusions Patients with SCI had higher serum levels of β2-microglobulin, which may be a biomarker for cognitive decline following SCI.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».