Use of serum long non-coding RNA expression panel as a marker for diabetic retinopathy
Notice bibliographique
Résumé
Introduction: Diabetic retinopathy (DR) is the most common chronic complication of diabetes, the leading cause of vision impairments in working-aged adults, and a significant cause of reduced quality of life for diabetic patients. Diabetic patients are recommended to have regular screening in order to catch DR at an early enough stage for effective management. However, due to a variety of factors, many patients can still fall through the cracks with the current screening methods. Methods: Several long non-coding RNAs (lncRNAs), essential regulators of physiological and pathological processes, were previously identified by us as potential markers for DR phenotypes. In this study, we used a significantly larger sample set to validate our panel of lncRNAs. We also explored the possibility of creating a statistical model to detect DR from serum samples using the expression profiles of these lncRNAs. Results: Our regression models, based solely on lncRNA expression data, demonstrated the ability to adequately detect DR and potentially predict it. Models based solely on lncRNA expression performed equally or better compared to models with additional patient information. The models showed promising performance, suggesting that serum lncRNA expression profiles could serve as reliable markers for DR detection. Discussion: Further longitudinal studies are necessary to validate the model's capability to predict retinopathy in diabetic patients not yet diagnosed with DR. Nevertheless, our findings indicate that this lncRNA panel may offer a viable option for a simple, accessible, and convenient blood-based screening test for DR.
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 | 0,003 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».