Biomarker Assessment in Parkinson’s Disease Dementia and Dementia with Lewy Bodies by the Immunomagnetic Reduction Assay and Clinical Measures
Notice bibliographique
Résumé
Background: Plasma biomarker assays provide an opportunity to reassess whether Alzheimer's disease, Parkinson's disease dementia (PDD), and dementia with Lewy bodies (DLB) plasma biomarkers are diagnostically useful. Objective: We hypothesized that immunomagnetic reduction (IMR) of plasma biomarkers could differentiate between patients with PDD and DLB and healthy patients when combined with established clinical testing measures. Methods: ), total tau (t-tau), phosphorylated tau at threonine 181 (p-tau181), and α-synuclein (α-syn). Receiver operating characteristic curve (ROC) analysis was used to obtain sensitivity, specificity, and area under the ROC curve. Biomarker results were combined with clinical measures from the Unified Parkinson's Disease Rating Scale (UPDRS), Montreal Cognitive Assessment, and Hoehn-Yahr stage to optimize diagnostic test performance. Results: ×α-syn. Patients with DLB had higher p-tau181 than those with PDD and healthy participants and were distinguishable by their concentrations of α-syn×p-tau181. Plasma α-syn plus UPDRS versus either test alone increased sensitivity, specificity, and AUC when healthy patients were compared with those with PDD and DLB. Combined clinical examination scores and plasma biomarker products demonstrated utility in differentiating PDD from DLB when p-tau181 was combined with UPDRS, α-syn was combined with UPDRS, and α-syn×p-tau181 was combined with UPDRS. Conclusions: In this pilot study, IMR plasma p-tau181 and α-syn may discriminate between PDD and DLB when used in conjunction with clinical testing.
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 | 0,000 |
| 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 ».