MétaCan
Menu
← Retour à la cohorte
Enregistrement W6947784955 · doi:10.3969/j.issn.1674-8115.2023.02.002

Quantitative characteristics of serum lipoprotein phenotypes for HBV patients

2023· article· en· W6947784955 sur OpenAlexaff

Notice bibliographique

RevueDOAJ (DOAJ: Directory of Open Access Journals) · 2023
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueCell Image Analysis Techniques
Établissements canadiensToronto Centre for Phenogenomics
Organismes subventionnairesnon disponible
Mots-clésLipoproteinHBsAgLipoprotein(a)PopulationHepatitis B virusLogistic regressionDiabetes mellitusHepatitis B

Résumé

récupéré en direct d'OpenAlex

Objective·Previous studies showed that hepatitis B virus (HBV) infection caused outstanding changes in host lipoproteins. However, there are no reports on such component changes of lipoprotein subfractions. This study aimed to quantify the HBV-caused changes in the serum lipoprotein subfractions and their components.Methods·Hepatitis B surface antigen-positive [HBsAg (+)] patients at Division of Cardiology, Tongji Hospital, Tongji Medical College, Huazhong University of Science and Technology from March to June 2017 were included (n=40), and 40 HBsAg-negative [HBsAg (-)] population were matched as controls. Serum lipoprotein subfractions and their components were quantified by using 1H-NMR. Orthogonal partial least-squares discriminant analysis (OPLS-DA), variance analysis between the two groups, logistic regression analysis and Spearman correlation analysis were conducted to reveal the lipoprotein changes in chronic HBV patients against controls.Results·HBsAg (+) population had significantly lower levels in most lipoprotein subfractions than HBsAg (-) population. After adjustments for age, gender, hypertension, diabetes mellitus and coronary heart disease, the levels of total VLDL, VLDL1-VLDL3, IDL, HDL4, non-HDL and their components were protective factors for HBV infection (OR < 1, P < 0.01). In contrast, VLDL5-(TAG/LP) was a risk factor for HBV infection (OR > 1, P < 0.01). In addition, the severity of inflammation in the HBsAg (+) population was negatively correlated with the levels of lipids in HDL4 with correlation coefficient ranging from -0.71 to -0.51 (P≤ 0.002). Six lipoprotein subfractions were obtained through feature screening, and the AUC of HBV infection diagnosis model was 0.861.Conclusion·HBV infection causes significant changes in liver-excretion of lipoproteins and their circulation metabolism; the lipoprotein phenotypes can differentiate HBV-infected patients from controls.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,005

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,140
Tête enseignante GPT0,529
Écart entre enseignants0,389 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueDOAJ (DOAJ: Directory of Open Access Journals)→Même sujetCell Image Analysis Techniques→Travaux en français237 207→