The relationship between serum astroglial and neuronal markers and AQP4 and MOG autoantibodies
Notice bibliographique
Résumé
BACKGROUND: Certain demyelinating disorders, such as neuromyelitis optica spectrum disorder (NMOSD) and myelin oligodendrocyte glycoprotein antibody-associated disease (MOGAD) exhibit serum autoantibodies against aquaporin-4 (αAQP4) and myelin oligodendrocyte glycoprotein (αMOG). The variability of the autoantibody presentation warrants further research into subtyping each case. METHODS: To elucidate the relationship between astroglial and neuronal protein concentrations in the peripheral circulation with occurrence of these autoantibodies, 86 serum samples were analyzed using immunoassays. The protein concentration of glial fibrillary acidic protein (GFAP), neurofilament light chain (NFL) and tau protein was measured in 3 groups of subcategories of suspected NMOSD: αAQP4 positive (n = 20), αMOG positive (n = 32) and αMOG/αAQP4 seronegative (n = 34). Kruskal-Wallis analysis, univariate predictor analysis, and multivariate logistic regression with ROC curves were performed. RESULTS: GFAP and NFL concentrations were significantly elevated in the αAQP4 positive group (p = 0.003; p = 0.042, respectively), and tau was elevated in the αMOG/αAQP4 seronegative group (p < 0.001). A logistic regression model to classify serostatus was able to separate αAQP4 seropositivity using GFAP + tau, and αMOG seropositivity using tau. The areas under the ROC curves (AUCs) were 0.77 and 0.72, respectively. Finally, a combined seropositivity versus negative status logistic regression model was generated, with AUC = 0.80. CONCLUSION: The 3 markers can univariately and multivariately classify with moderate accuracy the samples with seropositivity and seronegativity for αAQP4 and αMOG.
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 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».