Serum Neurofilament Light as a Neuropsychiatric Disorder Screening Test in Psychiatric Emergency Settings
Notice bibliographique
Résumé
OBJECTIVE: The authors evaluated serum neurofilament light chain (sNfL) as a blood-based biomarker to distinguish primary psychiatric disorders from psychiatric presentations of neurological or general medical etiology (i.e., neuropsychiatric disorders) in psychiatric emergency departments (PEDs), where rapid diagnosis is essential and access to advanced tests is often limited. METHODS: Data were collected from 846 patients with psychiatric disorders (17% anxiety, 34% mood, 9% personality, 32% psychotic, and 7% substance use) and 20 patients with neuropsychiatric disorders (35% neurocognitive, 20% delirium, and 55% general medical causes). sNfL levels were measured with the SIMOA (Single Molecule Array) platform. Analysis of covariance and logistic regression were conducted to assess sNfL differences between psychiatric and neuropsychiatric patients. Receiver operating characteristic curve analysis was used to determine diagnostic accuracy, with Youden's index employed to identify optimal thresholds. RESULTS: =0.24). Logistic regression confirmed that sNfL levels strongly predicted the diagnostic group. The optimal cutoff for sNfL was 30.6 pg/mL, with a sensitivity of 0.90 and specificity of 0.94. Subgroup analyses suggested that age-specific thresholds could improve diagnostic accuracy. CONCLUSIONS: sNfL is a promising biomarker for rapid differentiation in PEDs between primary psychiatric disorders and psychiatric conditions of general medical or neurological origins, potentially improving diagnostic accuracy and speed. Future research is needed with more diverse, prospective cohorts with a wider range of diseases to replicate the clinical utility of sNfL.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| 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 ».