Magnetic resonance imaging characteristics of myelin oligodendrocyte glycoprotein antibody positive patients -validation of current diagnostic criteria
Notice bibliographique
Résumé
BACKGROUND: Magnetic resonance imaging (MRI) features in the 2023 MOGAD International Panel diagnostic criteria help distinguish myelin oligodendrocyte glycoprotein (MOG) antibody disease (MOGAD) from mimics, particularly when MOG antibody titers are low. We evaluated the diagnostic performance of these MRI features in a large, previously diagnosed cohort. METHODS: All MOG IgG cell-based assays performed by Mitogen Dx laboratory in Alberta from July 2017 to July 2023 were retrieved. All MOG positive with a MOGAD presentation and => one MRI study of brain, spine, or optic nerves were identified. MRIs were re-evaluated by two neuroradiologists and a neurologist for MOGAD-like features. Sensitivity, specificity, likelihood ratios, and positive and negative predictive value were calculated based on diagnosis in all patients and low antibody titer patients specifically. RESULTS: Of 3831 tested patients, 158 had MOG antibodies, a MOGAD-consistent presentation, and MRI(s) of brain, spine or optic nerves. Of these 158 patients, 102 were diagnosed with MOGAD. Compared to patients with higher antibody titers, low titer patients with MOGAD MRI features had preserved specificity and improved negative predictive value for a MOGAD diagnosis. Only MOGAD patients had lesion resolution. CONCLUSIONS: When applying MRI features from the 2023 MOGAD diagnostic criteria to an existing cohort, there was good sensitivity and specificity for MOGAD with improved specificity and negative predictive value in those with low antibody titers. The odds of a MOGAD diagnosis were high when lesions resolved on repeated imaging, particularly versus multiple sclerosis, suggesting this feature may merit more weight in future diagnostic criteria.
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) | 0,001 | 0,000 |
| 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 | 0,000 |
| 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 ».