Evaluating yield and utilization of ganglioside antibody testing in clinical practice
Notice bibliographique
Résumé
BACKGROUND AND OBJECTIVES: Ganglioside antibodies can help diagnose distinct acute and chronic inflammatory neuropathies including axonal variants of Guillain-Barre syndrome, Miller-Fisher syndrome (MFS), multifocal motor neuropathy, and chronic sensory ataxic neuropathies. Because ganglioside antibody testing may be routinely ordered in patients with suspected inflammatory neuropathy, we sought to evaluate its yield and utilization in clinical practice. METHODS: We performed a retrospective chart review of all patients at London Health Sciences Centre who underwent ganglioside antibody testing between April 2019 and August 2023. The disease phenotype was determined for each patient, and the proportion of all tests that yielded a true-positive result was calculated. Ganglioside antibody positivity was classified as a true-positive result if the disease phenotype was robustly associated with the detected ganglioside antibody and there was no other more likely diagnosis. RESULTS: We identified 92 patients who underwent ganglioside antibody testing. One patient (1%) was classified as having a true-positive result; this patient had GQ1b-IgG positivity with MFS. Among 92 patients tested, 20 patients (22%) had a disease phenotype that was considered to be robustly associated with ganglioside antibody positivity. CONCLUSIONS: The yield of ganglioside antibody testing in clinical practice is low. We found that this testing is frequently ordered in patients with disease phenotypes that are not robustly associated with ganglioside antibody positivity, indicating that suboptimal test utilization is a primary contributor to its low yield. Restricting ganglioside antibody testing to patients with characteristic disease phenotypes would be valuable to improving yield and utilization of this 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 | 0,003 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».