Inflammatory Protein Panel: Exploring Diagnostic Insights for Peripheral Artery Disease Diagnosis in a Cross-Sectional Study
Notice bibliographique
Résumé
Cytokine-induced neutrophil chemoattractant 1 (CINC-1), a cluster of differentiation 95 (CD95), fractalkine, and T-cell immunoglobulin and mucin domain 1 (TIM-1) are circulating proteins known to be involved in inflammation. While their roles have been studied in neurological conditions and cardiovascular diseases, their potential as peripheral artery disease (PAD) biomarkers remain unexplored. We conducted a cross-sectional diagnostic study using data from 476 recruited patients (164 without PAD and 312 with PAD). Plasma levels of CINC-1, CD95, fractalkine, and TIM-1 were measured at baseline. A PAD diagnosis was established at recruitment based on clinical exams and investigations, defined as an ankle-brachial index < 0.9 or toe-brachial index < 0.67 with absent/diminished pedal pulses. Using 10-fold cross-validation, we trained a random forest algorithm, incorporating clinical characteristics and biomarkers that showed differential expression in PAD versus non-PAD patients to predict a PAD diagnosis. Among the proteins tested, CINC-1, CD95, and fractalkine were elevated in PAD vs. non-PAD patients, forming a 3-biomarker panel. Our predictive model achieved an AUROC of 0.85 for a PAD diagnosis using clinical features and this 3-biomarker panel. By combining the clinical characteristics with these biomarkers, we developed an accurate predictive model for a PAD diagnosis. This algorithm can assist in PAD screening, risk stratification, and guiding clinical decisions regarding further vascular assessment, referrals, and medical/surgical management to potentially improve patient outcomes.
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 | 0,002 |
| 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 | 0,000 |
| 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 ».