Ex vivo diagnostics using varied cellular inputs in drug-induced severe cutaneous adverse reactions
Notice bibliographique
Résumé
Background Drug-induced severe cutaneous adverse reactions (SCARs) are presumed T-cell-mediated hypersensitivities associated with significant morbidity and mortality. Traditional in-vivo testing methods, such as patch or intradermal testing, are limited by a lack of standardisation and poor sensitivity. Modern approaches to testing include measurement of IFN-γ release from patient peripheral blood mononuclear cells (PBMC) stimulated with the suspected causative drug. Objective We sought to improve ex-vivo diagnostics for drug-induced SCAR by comparing enzyme-linked immunospot (ELISpot) sensitivities and flow cytometry-based intracellular cytokine staining (ICS) and cellular composition of separate samples (PBMC or blister fluid cells (BFC)) from the same donor. Methods IFN-γ release ELISpot and flow cytometry analyses were performed on donor-matched PBMC and BFC samples from four SCAR patients with distinct drug-allergies. Results Immune responses to suspected drugs were detected in both PBMC and BFC samples of two donors (Case 1 in response to ceftriaxone and Case 4 to oxypurinol), with BFC eliciting stronger responses. For two other donors, only BFC samples showed a response to meloxicam(Case 2) or sulfamethoxazole and its 4-Nitro metabolite (Case 3). Consistently, flow cytometry revealed a greater proportion of IFN-γ-secreting cells in the BFC compared to PBMC. BFC cells from Case 3 were also enriched for memory/activation/tissue-recruitment markers over PBMC. Conclusion Analysis of BFC samples for drug-allergy diagnostics offers a higher sensitivity for detecting positive responses compared to PBMC. This is consistent with recruitment (and enrichment) of cytokine-secreting cells with a memory/activated phenotype into blisters.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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 ».