Levels of wound calprotectin and other inflammatory biomarkers aid in deciding which patients with a diabetic foot ulcer need antibiotic therapy (<scp>INDUCE</scp> study)
Notice bibliographique
Résumé
AIMS: Deciding if a diabetic foot ulcer is infected in a community setting is challenging without validated point-of-care tests. Four inflammatory biomarkers were investigated to develop a composite algorithm for mildly infected diabetic foot ulcers: venous white cell count, C-reactive protein (CRP) and procalcitonin, and a novel wound exudate calprotectin assay. Calprotectin is a marker of neutrophilic inflammation. METHODS: In a prospective study, people with uninfected or mildly infected diabetic foot ulcers who had not received oral antibiotics in the preceding 2 weeks were recruited from community podiatry clinics for measurement of inflammatory biomarkers. Antibiotic prescribing decisions were based on clinicians' baseline assessments and participants were reviewed 1 week later; ulcer infection was defined by clinicians' overall impression from their two assessments. RESULTS: ) in uninfected ulcers. Baseline CRP for mild infection was 9.00 mg/ml and 6.00 mg/ml for uninfected ulcers; most procalcitonin levels were undetectable. Median calprotectin level in infected diabetic foot ulcers was 1437 ng/ml and 879 ng/ml in uninfected diabetic foot ulcers. Area under the receiver operating characteristic curve for a composite algorithm incorporating calprotectin, CRP, white cell count and ulcer area was 0.68 (95% confidence intervals 0.52-0.82), sensitivity 0.64, specificity 0.81. CONCLUSIONS: A composite algorithm including CRP, calprotectin, white cell count and ulcer area may help to distinguish uninfected from mildly infected diabetic foot ulcers. Venous procalcitonin is unhelpful for mild diabetic foot ulcer infection.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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) | 0,000 | 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 ».