Integrating exosomal microRNAs and electronic health data improved tuberculosis diagnosis
Notice bibliographique
Résumé
Background Tuberculosis (TB) is difficult to diagnose under complex clinical conditions as electronic health records (EHRs) are often inadequate in making an affirmative diagnosis. As exosomal miRNAs emerged as promising biomarkers, we investigated the potential of using exosomal miRNAs and EHRs in TB diagnosis.MethodsA total of 370 individuals, including pulmonary tuberculosis (PTB), tuberculous meningitis (TBM), non-TB disease controls and healthy state controls, were enrolled. Exosomal miRNAs were profiled in the exploratory cohort using microarray and miRNA candidates were selected in the selection cohort using qRT-PCR. EHRs and follow-up information of the patients were collected accordingly. miRNAs and EHRs were used to develop diagnostic models for PTB and TBM in the selection cohort with the Support Vector Machine (SVM) algorithm. These models were further evaluated in an independent testing cohort.FindingsSix exosomal miRNAs (miR-20a, miR-20b, miR-26a, miR-106a, miR-191, miR-486) were differentially expressed in the TB patients. Three SVM models, "EHR+miRNA", "miRNA only" and "EHR only" were compared, and "EHR + miRNA" model achieved the highest diagnostic efficacy, with an AUC up to 0.97 (95% CI 0.80–0.99) in TBM and 0.97 (0.87–0.99) in PTB, respectively. However, "EHR only" model only showed an AUC of 0.67 (0.46–0.83) in TBM. After 2-month anti-tuberculosis therapy, overexpressed miRNAs presented a decreased expression trend (p= 4.80 × 10−5).InterpretationOur results showed that the combination of exosomal miRNAs and EHRs could potentially improve clinical diagnosis of TBM and PTB.FundFunds for the Central Universities, the National Natural Science Foundation of China.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 ».