Accuracy of serum neurofilament light to identify contrast-enhancing lesions in multiple sclerosis
Notice bibliographique
Résumé
BACKGROUND: Contrast-enhancing magnetic resonance imaging (MRI) lesions (CELs) indicate acute multiple sclerosis inflammation. Serum biomarkers, neurofilament light (sNfL), and glial fibrillary acidic protein (sGFAP) may increase in the presence of CELs, and indicate a need to perform MRI. OBJECTIVE: We assessed the accuracy of biomarkers to detect CELs. METHODS: = 557, 66% female). Optimal cut-points from Bland-Altman analysis for spot biomarker level and Youden's index for delta-change from remission were evaluated. RESULTS: A total of 116 patients (21%) had CELs. A spot sNfL measurement >23.0 pg/mL corresponded to 7.0 times higher odds of CEL presence (95% CI: 3.8, 12.8), with 25.9% sensitivity, 95.2% specificity, operating characteristic curve (AUC) 0.61; while sNfL delta-change >30.8% from remission corresponded to 5.0 times higher odds (95% CI: 3.2, 7.8), 52.6% sensitivity, 81.9% specificity, AUC 0.67. sGFAP had poor CEL detection. In patients > 50 years, neither cut-point remained significant. sNfL delta-change outperformed spot levels at identifying asymptomatic CELs (AUC 0.67 vs 0.59) and in patients without treatment escalation between samples (AUC 0.67 vs 0.57). CONCLUSION: Spot sNfL >23.0 pg/mL or a 30.8% increase from remission provides modest prediction of CELs in patients <50 years; however, low sNfL does not obviate the need for MRI.
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 | 0,003 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».