Prognostic value of procalcitonin in respiratory tract infections across clinical settings
Notice bibliographique
Résumé
INTRODUCTION: Whether the inflammatory biomarker procalcitonin provides prognostic information across clinical settings and different acute respiratory tract infections (ARIs) is poorly understood. In the present study, we investigated the prognostic value of admission procalcitonin levels to predict adverse clinical outcome in a large ARI population. METHODS: We analysed data from 14 trials and 4,211 ARI patients to study associations of admission procalcitonin levels and setting specific treatment failure and mortality alone at 30 days. We used multivariable hierarchical logistic regression and conducted sensitivity analyses stratified by clinical settings and ARI diagnoses to assess the results' consistency. RESULTS: Overall, 864 patients (20.5%) experienced treatment failure and 252 (6.0%) died. The ability of procalcitonin to differentiate patients with from those without treatment failure was highest in the emergency department setting (treatment failure area under the curve (AUC): 0.64 (95% confidence interval (CI): 0.61, 0.67), adjusted odds ratio (OR): 1.85 (95% CI: 1.61, 2.12), P <0.001; and mortality AUC: 0.67 (95% CI: 0.63, 0.71), adjusted OR: 1.82 (95% CI: 1.45, 2.29), P <0.001). In lower respiratory tract infections, procalcitonin was a good predictor of identifying patients at risk for mortality (AUC: 0.71 (95% CI: 0.68, 0.74), adjusted OR: 2.13 (95% CI: 1.82, 2.49), P <0.001). In primary care and intensive care unit patients, no significant association of initial procalcitonin levels and outcome was found. CONCLUSIONS: Admission procalcitonin levels are associated with setting specific treatment failure and provide the most prognostic information regarding ARI in the emergency department setting.
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 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,001 | 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 ».