Small fiber neuropathy: expanding diagnosis with unsettled etiology
Notice bibliographique
Résumé
PURPOSE OF REVIEW: Small fiber neuropathies (SFN) are a heterogeneous group of disorders affecting the thinly myelinated Aδ and unmyelinated C-fibers. The clinical picture is dominated by neuropathic pain, often accompanied by autonomic symptoms of variable severity. The underlying causes encompass metabolic conditions like diabetes mellitus, immuno-mediated disorders, infection, exposure to toxins, and gain-of-function variants in the genes encoding the Nav1.7, Nav1.8, and Nav1.9 sodium channel subunits, though the list of associated diseases continues to grow. Recently, increased attention has focused on immune-mediated forms, which led to the identification of potentially treatable subgroups. These discoveries have advanced our understanding of pathophysiological mechanisms. RECENT FINDINGS: Recent studies have broadened the spectrum of underlying conditions associated with SFN, including immune-mediated forms and links to SARS-CoV-2 infection and vaccines. Studies on genetic variants linked to unique clinical presentations have also yielded new insights. Furthermore, emerging perspectives highlighted disorders involving small fiber pathology that lacks typical clinical features of neuropathic pain, challenging traditional diagnostic criteria. SUMMARY: Deepening our understanding of the causes underlying SFN advances the identification of potential therapeutic targets. The clinical presentation of SFN can vary significantly and may not consistently correlate with specific underlying conditions. Therefore, a systematic investigation of possible causes through a structured diagnostic assessment is critical to unveil additional contributing factors.
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 | 0,000 |
| 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 | 0,001 |
| 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 ».