Recent advances in biomarkers of psoriatic arthritis: a systematic literature review
Bibliographic record
Abstract
Bakgrunn\nPsoriasisartritt (PsA) er en autoimmun inflammatorisk leddsykdom som kjennetegnes av betennelse i perifere og aksiale ledd, samt betennelse i fingere/tær og ved senefester.\nDiagnostikk og behandling av PsA blir ofte forsinket, som bidrar til økt sykdomsaktivitet, komorbiditet og redusert livskvalitet. Mangelen på biomarkører for PsA i klinisk praksis bidrar til forsinkelser i både diagnostisering og behandling. Det har vært omfattende forskning rettet mot utvikling av biomarkører som kan tas i bruk i klinisk praksis. Formålet med denne litteraturgjennomgangen var å gå gjennom nyere litteratur for å kartlegge og vurdere fremskritt innen dette området.\n\nMetode\nVi gjennomførte et systematisk litteratursøk i databasene PubMed/MEDLINE, EMBase/Ovid, Web of Science, Scopus og Cochrane library ved å bruke kombinasjon av ulike begreper for PsA og biomarkører. Vi inkluderte artikler publisert mellom januar 2019 og september 2023. To uavhengige forfattere evaluerte artiklene, innhentet relevante opplysninger, og vurderte kvaliteten på studiene ved bruk av Newcastle-Ottawa-skalaen.\n\nResultater\nDet systematiske søket identifiserte 2 068 artikler fra databasene. I tillegg ble åtte artikler manuelt søkt og inkludert i denne gjennomgangen. Vi fjernet artikler med irrelevante emner, duplikater og artikler som oppfylte eksklusjonskriteriene. Til slutt endte vi opp med 30 artikler i den systematiske gjennomgangen. De fleste artiklene undersøkte diagnostiske biomarkører (n=13), og sykdomsaktivitet (n=11). Færre artikler utforsket biomarkører for behandlingsrespons (n=3) og komorbiditet (n=3). Studiene undersøkte biomarkører i serum, cellulært, synovialt samt genetiske biomarkører. De fleste studiene hadde lav kvalitet basert på Newcastle-Ottawa-skalaen og få av markørene var tilstrekkelig validerte.\n\nKonklusjon\nTil tross for stort behov og omfattende forskningsinnsats på biomarkører for PsA, er det per dags dato ingen biomarkører som er klare for å tas i bruk for i klinisk praksis. Videre forskning på feltet er nødvending.
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 | 0.010 | 0.043 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.007 | 0.008 |
| Bibliometrics | 0.018 | 0.017 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.003 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.006 | 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".