Pan-serological antibodies and liver cancer risk: a nested case-control analysis
Notice bibliographique
Résumé
Recently, studies have reported that pan-viral serology signatures may be predictive for liver cancer development. However, whether these same findings are observed for prospective studies has not been previously investigated. The nested case-control analysis included 191 persons who developed liver cancer and 382 controls from the PLCO prospective cohort. The presence of circulating antibodies, measured by VirScan, was determined in serum samples obtained at study recruitment. The presence of antibodies was compared between cases and controls using multivariable conditional logistic regressions, and prediction models were used to estimate whether exposures predicted liver cancer development. No significant associations were found between antibodies to viruses, bacteria or allergens and liver cancer risk after adjustment for multiple testing. The agent most significantly associated with risk was hepatitis C virus (HCV), but it was only detected among 23 participants (odds ratio (OR): 3.98; 95% confidence intervals (CI):1.59-9.99; p = 0.0032, False Discovery Rate (FDR) = 0.35). In prediction models based on 109 antibody features, no associations with liver cancer risk were observed (area under the curve [AUC]: 0.52-0.54). In analyses restricted to the most common type of liver cancer, hepatocellular carcinoma, the association with HCV was stronger (OR: 23.16, 95% CI: 4.55-117.68; FDR p-value = 0.0016), although prediction models based on all detected antibodies were similar (AUC = 0.55; 95% CI:0.43-0.68). Antibodies to no infectious agents, other than HCV, were found to be prospectively associated with liver cancer risk. The utility of using an antibody exposure signature prospectively for liver cancer development needs to be further explored.
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 | 0,002 |
| Études des sciences et des technologies | 0,001 | 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 ».