Comparison of Two Different Integration Methods for Quantifying Monoclonal Proteins on Agarose Gel and Capillary Zone Electrophoresis Instruments
Notice bibliographique
Résumé
Quantifying M-proteins is an important part of diagnosing and monitoring patients with monoclonal gammopathies. Historically, laboratories use one of two methods to accomplish this. The splice method utilizes a perpendicular drop on each side of the M-protein on the electrophoretogram. In contrast, the skim method applies a tangent skimming line connecting the points above the polyclonal background. In this study, we compared the bias between these two methods across two different instruments (Helena SPIFE 3000 and Sebia Capillarys 3) in 118 patients. First, we compared the splice technique on both instruments and observed a significant average bias of 58.3% (slope = 1.437, y-intercept = 0.76, and r = 0.9682). We next compared the splice technique on the SPIFE 3000 to the skim technique on the Capillarys 3 and observed an average bias of only −2.10% (slope = 1.363, y-intercept = −1.98, and r = 0.9716), although there was significant scatter along the line of best fit. Lastly, we compared splice vs. skim on the Capillarys 3 and observed an average bias of −38.2% (slope = 0.947, y-intercept = −2.65, and r = 0.9686). Based on these results, care should be taken when switching instruments or integration techniques to ensure consistent monitoring of patients.
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 | 0,014 | 0,032 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».