The changing landscape of autoantibody testing in myasthenia gravis in the setting of novel drug treatments
Notice bibliographique
Résumé
• Acquired MG is an autoimmune disease caused by antibodies against the AChR, and related proteins in the postsynaptic muscle membrane. • Serological testing plays a crucial role in MG diagnostic confirmation and therapeutic direction. • With advancements in MG diagnosis and management, its testing algorithms have been recently changed. Acquired myasthenia gravis (MG) is an autoimmune disease targeting the specific proteins in the postsynaptic muscle membrane. 50% of ocular and 80% of generalized MG have acetylcholine receptor antibodies (AChR Abs). 1–10% of MG patients have antibodies against muscle-specific kinase (MuSK), and 2–50 % of seronegative MG cases have antibodies against lipoprotein-receptor-related protein4 antibodies (LRP4 Abs). Serological testing is crucial for diagnosing and determining the appropriate therapeutic approach for MG patients. The radioimmunoprecipitation assay (RIPA) method is a historical standard test for detecting the AChR Abs and MuSK Abs. While it has nearly 100% specificity in the AChR Abs detection, its sensitivity is between 50––92%. The sensitivity and specificity of RIPA for detecting MuSK Abs is much lower. The fixed and live Cell-Based assays (f-CBA and L- CBA) have higher sensitivity than RIPA. With advancements in the serological diagnosis and management of MG, we now recommend a complete reflex testing algorithm on the first pretreatment sample of a suspected MG patient, starting with the binding and blocking assays for AChR Abs by RIPA and/ or f-CBA. If AChR Ab is negative, then reflex to MuSK Abs by RIPA and/ or CBAs. If AChR and MuSK Abs are negative, then use clustered L-CBA by request.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| 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 | 0,001 |
| 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 ».