Population-Specific Biomarker Signatures in Alcohol Use Disorder: Ethnic and Viral Influences in a Central Asian Cohort
Notice bibliographique
Résumé
Background This study examined biomarker signatures in men with alcohol use disorder (AUD) in Uzbekistan, with and without viral infections. Methods A cross-sectional study included 292 males with stage II AUD (virus-negative: n = 251; virus-positive: n = 41) and 49 alcohol-free controls. Clinical, hematological, and biochemical parameters were measured, and ROC analysis evaluated diagnostic performance. Results Virus-negative patients showed the clearest biomarker profile of alcohol dependence, with reduced glucose, creatinine, and urea, and elevated total protein, α-amylase, De Ritis ratio, and direct bilirubin. ROC analysis confirmed strong diagnostic value for AST (AUC = 0.951), FIB-4 (0.877), MAP (0.817), and creatinine (0.711). Leukocytes (AUC = 0.790) and lymphocytes (0.735) best differentiated viral status. Fibrosis risk in virus-positive patients was 1.5-fold higher, with splenomegaly in 7.3%. Mild thrombocytopenia, absence of granulocytopenia, and rare delirium (<5.5%) distinguished this cohort from European groups, resembling East Asian patterns. Conclusions Liver enzymes, α-amylase, bilirubin, MCV, FIB-4, and MAP provide strong diagnostic value for AUD. Multimarker panels including leukocyte, lymphocyte, and creatinine levels support viral status differentiation. Findings emphasize population-specific biomarker signatures in Central Asians and the utility of multimarker strategies for personalized AUD management.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 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) | 0,001 | 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 ».