Estudio de citoquinas y metabolitos plasmáticos como posibles marcadores de la enfermedad de Parkinson
Bibliographic record
Abstract
La enfermedad de Parkinson (EP) es un trastorno neurológico progresivo que no tiene cura. Tras el diagnóstico clínico, no hay tratamiento farmacológico que pueda detener el avance de la enfermedad. Además, no hay en la actualidad un marcador biológico que pueda ayudar al diagnóstico precoz de la enfermedad. Este trabajo intenta contribuir a la búsqueda de biomarcadores eficaces para el diagnóstico de la enfermedad de Parkinson. En este trabajo analizamos estadísticamente los niveles de citoquinas en plasma y líquido cefalorraquídeo a partir de los datos recabados en el estudio clínico BioFIND. IL-1b, IL-2, IL-6, IL-8, IL-10, TNF-a e IFN-g fueron analizadas usando estadística inferencial para determinar posibles asociaciones entre ellas. A continuación, se llevaron a cabo estudios de correlación entre citoquinas y a-sinucleína o diferentes \nmodificaciones post-traduccionales de la tubulina. También se realizaron estudios de correlación entre citoquinas y síntomas clínicos evaluados en la cohorte de estudio, mediante el test de evaluación cognitiva de Montreal (MoCA) o el cuestionario de detección de trastornos en la fase REM del sueño (RBDSQ). Además, se estudiaron los niveles plasmáticos de ciertos metabolitos entre sujetos control y pacientes con EP. Finalmente, se creó un modelo de regresión logística basado en las poliaminas ornitina, putrescina y N-acetilputrescina, además de los síntomas clínicos, para predecir la probabilidad de desarrollar EP. Con todo, este estudio intenta aportar luz al proceso de neuroinflamación asociado a la EP y proporciona nuevos conocimientos sobre la fisiopatología de la enfermedad.
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 | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 0.000 |
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".