Predictive Value of Matrix Metalloproteinases and Their Inhibitors for Mortality in Septic Patients: A Cohort Study
Notice bibliographique
Résumé
PURPOSE: Over 170 biomarkers are being investigated regarding their prognostic and diagnostic accuracy in sepsis in order to find new tools to reduce morbidity and mortality. Matrix metalloproteinases (MMPs) and their inhibitors have been recently studied as promising new prognostic biomarkers in patients with sepsis. This study is aimed at determining the utility of several cutoff points of these biomarkers to predict mortality in patients with sepsis. MATERIALS AND METHODS: A multicenter, prospective, analytic cohort study was performed in the metropolitan area of Bucaramanga, Colombia. A total of 289 patients with sepsis and septic shock were included. MMP-9, MMP-2, tissue inhibitor of metalloproteinase 1 (TIMP-1), TIMP-2, TIMP-1/MMP-9 ratio, and TIMP-2/MMP-2 ratio were determined in blood samples. Value ranges were correlated with mortality to estimate sensitivity, specificity, positive predictive value, negative predictive value, and area under the receiving operating characteristic curve. RESULTS: Sensitivity ranged from 33.3% (MMP-9/TIMP-1 ratio) to 60.6% (TIMP-1) and specificity varied from 38.8% (MMP-2/TIMP-2 ratio) to 58.5% (TIMP-1). As for predictive values, positive predictive value range was from 17.5% (MMP-9/TIMP-1 ratio) to 70.4% (MMP-2/TIMP-2 ratio), whereas negative predictive values were between 23.2% (MMP-2/TIMP-2 ratio) and 80.9% (TIMP-1). Finally, area under the curve scores ranged from 0.31 (MMP-9/TIMP-1 ratio) to 0.623 (TIMP-1). CONCLUSION: Although TIMP-1 showed higher sensitivity, specificity, and negative predictive value, with a representative population sample, we conclude that none of the evaluated biomarkers had significant predictive value for mortality.
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) | 0,001 | 0,000 |
| 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 | 0,000 | 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 ».