Population-Specific Biomarker Signatures in Alcohol Use Disorder: Ethnic and Viral Influences in a Central Asian Cohort
Notice bibliographique
Résumé
<ns3:p>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.</ns3:p>
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 | 0,001 | 0,000 |
| 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 | 0,000 | 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 ».