Assessment of 352 plasma biomarkers for predicting ischaemic stroke risk in atrial fibrillation patients without anticoagulation - A proteomic profiling study
Notice bibliographique
Résumé
Abstract Background Atrial fibrillation (AF) is a major risk factor for ischaemic stroke. Recent advancements in proteomics enable high-throughput screening of proteins using small plasma samples. However, studies on biomarkers in AF patients without oral anticoagulation are lacking. Purpose This proteomics screening study aims to identify plasma biomarkers associated with ischaemic stroke risk in AF patients without oral anticoagulation, thereby improving the mechanistic understanding of this complication. Methods This case-cohort design study included 166 cases with ischaemic stroke and a random sample of 1,437 controls from patients in the ACTIVE-A and AVERROES trials randomized to aspirin, with baseline plasma samples available. All ischaemic stroke outcomes were independently adjudicated. A total of 352 unique biomarkers were measured with OLINK Target 96 panels using proximity extension assay (CVDII, CVDIII, inflammation, and oncology), along with conventional and prototype immunoassays (Roche Diagnostics). The association between biomarkers and outcomes was evaluated by Random Survival Forest analysis, including Boruta and Cox models adjusted for clinical characteristics, comorbidities, and kidney function. Results Out of the 352 biomarkers, the top 15 risk predictors for ischaemic stroke in AF according to Random Survival Forest are shown in the Figure. The corresponding Boruta and Cox regression model p-values and hazard ratios (95% CI) for an interquartile difference validated 6 of these biomarkers (Table). Conclusions In AF patients not receiving oral anticoagulation, out of 352 plasma biomarkers, the six biomarkers most strongly associated with subsequent ischaemic stroke represent cardiac dysfunction/injury (NT-proBNP and hs-troponin T), atrial stress (BMP10), angiogenesis (CYR61), and myocardial remodelling/fibrosis (PRELP and WISP-1). The latter three proteins emerged as novel markers associated with ischaemic stroke in AF.Figure Table
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».