Tracking post-infectious fatigue in clinic using routine Lab tests
Notice bibliographique
Résumé
BACKGROUND: While biomarkers for chronic fatigue syndrome (CFS) are beginning to emerge they typically require a highly specialized clinical laboratory. We hypothesized that subsets of commonly measured laboratory markers used in combination could support the diagnosis of post-infectious CFS (PI-CFS) in adolescents following infectious mononucleosis (IM) and help determine who might develop persistence of symptoms. METHODS: Routine clinical laboratory markers were collected prospectively in 301 mono-spot positive adolescents, 4 % of whom developed CFS (n = 13). At 6, 12, and 24 months post-diagnosis with IM, 59 standard tests were performed including metabolic profiling, liver enzyme panel, hormone profiles, complete blood count (CBC), differential white blood count (WBC), salivary cortisol, and urinalysis. Classification models separating PI-CFS from controls were constructed at each time point using stepwise subset selection. RESULTS: Lower ACTH levels at 6 months post-IM diagnosis were highly predictive of CFS (AUC p = 0.02). ACTH levels in CFS overlapped with healthy controls at 12 months, but again showed a trend towards a deficiency at 24 months. Conversely, estradiol levels depart significantly from normal at 12 months only to recover at 24 months (AUC p = 0.02). Finally, relative neutrophil count showed a significant departure from normal at 24 months in CFS (AUC p = 0.01). Expression of these markers evolved differently over time between groups. CONCLUSIONS: Preliminary results suggest that serial assessment of stress and sex hormones as well as the relative proportion of innate immune cells measured using standard clinical laboratory tests may support the diagnosis of PI-CFS in adolescents with IM.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,000 | 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 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 ».