Detection of polyreactive immunoglobulin G facilitates diagnosis in children with autoimmune hepatitis
Notice bibliographique
Résumé
OBJECTIVE: The detection of autoantibodies is essential to diagnose autoimmune hepatitis (AIH). Particularly in children, specificity of autoantibodies decreases due to lower titers being diagnostic and being present not only in AIH but also in other liver diseases. Recently, quantification of polyreactive IgG (pIgG) for detection of adult AIH showed the highest overall accuracy compared to antinuclear antibodies (ANA), anti-smooth muscle antibodies (anti-SMA), anti-liver kidney microsomal antibodies (anti-LKM) and anti-soluble liver antigen/liver pancreas antibodies (anti-SLA/LP). We aimed to evaluate the diagnostic value of pIgG for pediatric AIH. DESIGN: pIgG, quantified using HIP1R/BSA coated ELISA, and immunofluorescence on rodent tissue sections were performed centrally. The diagnostic fidelity to diagnose AIH was compared to conventional autoantibodies of AIH in training and validation cohorts from a retrospective, European multi-center cohort from nine centers from eight European countries composed of existing biorepositories from expert centers (n = 285). RESULTS: IgG from pediatric AIH patients exhibited increased polyreactivity to multiple protein and non-protein substrates compared to non-AIH liver diseases and healthy children. pIgG had an AUC of 0.900 to distinguish AIH from non-AIH liver diseases. pIgG had a 31-73% higher specificity than ANA and anti-SMA and comparable sensitivity that was 6-20 times higher than of anti-SLA/LP, anti-LC1 and anti-LKM. pIgG had a 21-34% higher accuracy than conventional autoantibodies, was positive in 43-75% of children with AIH and normal IgG and independent from treatment response. CONCLUSION: Detecting pIgG improves the diagnostic evaluation of pediatric AIH compared to conventional autoantibodies, primarily owing to higher accuracy and specificity.
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 | 0,002 | 0,003 |
| 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 | 0,001 | 0,001 |
| 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 ».