C-reactive protein and other biomarkers—the sense and non-sense of using inflammation biomarkers for the diagnosis of severe bacterial infection
Notice bibliographique
Résumé
Severe bacterial infection (SBI) poses a significant clinical problem as its mortality and morbidity is still unacceptably high. A systematic literature analysis was performed with an emphasis on recent meta analyses examining the specificity and sensitivity of conventional inflammation biomarkers (C-reactive protein, procalcitonin, interleukin-6, interleukin-8) for diagnosing SBI. Most inflammation biomarkers do not show high sensitivity and are of limited value regarding SBI detection. To the practicing clinician, the sole use of inflammation markers is not useful for differentiating between viral or bacterial origin of infection in an individual patient. Thus, only in combination with clinical biometric markers, taken from patient history and physical examination, is the analysis of inflammation biomarkers to some degree helpful in clinical practice. To date, their sensitivity and specificity have been best captured in the field of neonatology, where levels of interleukin-6 have been measured in combination with relevant perinatal factors. The indiscriminate use of inflammation biomarkers for the diagnosis of SBI may lead to over diagnosis. Novel technologies for pathogen detection and more precise measurement of the host-response using microarrays, allowing for simultaneous detection of multiple genes or proteins, promise to improve the value of laboratory biomarkers for the diagnosis of SBI. Statement of novelty: Presented here is an up-to-date systematic analysis of C-reactive protein and inflammation biomarkers with regard to their use in the diagnosis of SBI. I question whether a broad use of C-reactive protein is useful in patients presenting with infection. The results of the systematic analysis are put into context with recent concerns about over-diagnosing in medicine. This paper is adapted from a publication in the German journal Monatsschrift Kinderheilkunde.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,035 | 0,089 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,004 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,004 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».