Suivi immunologique et collection biologique en vue de l’analyse de la réponse clinique après autogreffe de moelle pour maladies auto-immunes : recommandations de la Société francophone de greffe de moelle et de thérapie cellulaire (SFGM-TC)
Bibliographic record
Abstract
Résumé L’autogreffe de cellules hématopoïétiques (ACH) est une alternative thérapeutique validée pour les formes sévères d’un certain nombre de maladies auto-immunes (MAI). Le principe de l’ACH repose sur l’éradication du système immunitaire autoréactif, suite à l’administration d’une chimiothérapie intensive ou myéloablative, suivie d’une période d’aplasie, puis de reconstitution immunitaire associée à l’apparition d’une réponse immune de novo, avec l’acquisition d’un nouveau répertoire lymphocytaire naïf et tolérant aux antigènes du « soi ». L’analyse des données de reconstitution immunologique après ACH est nécessaire à la compréhension de l’évolution clinique des patients et à la recherche de facteurs prédictifs de la réponse clinique, dans le but de développer des protocoles d’ACH personnalisés. Ces recommandations de bonnes pratiques MATHEC-SFGM-TC ont été élaborées par un groupe d’experts aux spécialités complémentaires réunissant les membres du Centre de référence des maladies auto-immunes systémiques rares d’Île-de-France, filière FAI2R, et du réseau MATHEC (Maladies auto-immunes et thérapie cellulaire), des hématologues de la Société française de greffe de moelle osseuse et thérapie cellulaire (SFGM-TC) experts dans la procédure d’ACH dans les MAI, ainsi que des experts dans le suivi immunologique après thérapie cellulaire et dans l’établissement de collections biologiques. L’objectif est de guider les cliniciens dans le suivi immunologique minimal en soin courant des patients traités par ACH pour MAI et dans les modalités de collection d’échantillons biologiques destinés à la recherche.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.012 | 0.011 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.003 | 0.002 |
| Bibliometrics | 0.004 | 0.003 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.003 | 0.004 |
| Insufficient payload (model declined to judge) | 0.003 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".