Nonparaneoplastic Autoimmune Retinopathy: Scoping Review and Suggested Reporting Guidelines
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
PURPOSE: To investigate trends in the diagnostic approach to nonparaneoplastic autoimmune retinopathy (npAIR). METHODS: We queried PubMed for clinical reports on npAIR published between January 2016 and September 2025. Articles were assessed to determine criteria used to establish diagnosis of npAIR using a standardized grading system. Articles were categorized as case reports (≤3 patients) or case series (>3 patients). RESULTS: 36 case reports and 41 case series met eligibility criteria (755 total cases). Author subspecialty included 34% uveitis, 20% inherited retinal disease (IRD), 16% general retina, 10% miscellaneous, and 19% unknown specialty. Over 80% of publications reported electroretinography and anti-retinal antibody testing for diagnosis of npAIR. Fundus autofluorescence (FAF) was performed in 67% of case reports and at least one patient in 51% of case series. Widefield FAF was used in 19% of case reports and in at least one patient in 20% of case series. Genetic testing was reported in 22% of case reports and in at least one patient in 27% of case series. Studies with an IRD specialist as first or last author most commonly used genetic testing (35%). CONCLUSIONS: Literature on npAIR is hampered by variability in classification schemes and incomplete reporting. Nonspecific electroretinography testing and antiretinal antibody testing are widely employed while widefield autofluorescence testing and genetic testing are not commonly used. Expanded access to these tools provides an opportunity to update diagnostic criteria of npAIR. Improved classification will permit us to better understand the natural history of disease.
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.
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) | 0,000 | 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 | 0,000 |
| 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 découle