The impact of sample processing on inflammatory markers in serum: Lessons learned
Notice bibliographique
Résumé
Objectives: To investigate the effect of sample handling on inflammatory cytokines in serum and highlight challenges with using samples pre-collected from biobanks for biomarker research.Methods: Cytokine concentrations (IL-1β, IL-2, IL-6, IL-8, IL-10, TNFα, and IFNγ) were measured in serum samples of 205 patients with bipoldar disorder (BD) from the Mayo Clinic Bipolar Disorder Biobank and 205 non-psychiatric controls from the Mayo Clinic Biobank. As cytokine concentrations varied by recruitment site, post-hoc models were used to test the effect of clinical variables and pre-processing time on cytokines. To evaluate the effect of pre-processing time experimentally, cytokines were assayed in serum and plasma from 6 healthy volunteers processed at different time points.Results: Cytokine levels were significantly higher in the BD group. However, both cytokine levels and pre-processing times differed by recruitment site, and post-hoc analyses revealed that pre-processing time was significantly associated with several cytokines. An experiment using samples from healthy volunteers confirmed that concentrations for most cytokines increased with longer pre-processing times.Conclusions: Delays in processing influence cytokine concentrations in blood samples. Given the increasing use of biobanks in research, this study highlights the need to carefully evaluate sample collection and handling methods when designing biomarker studies.
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 | 0,000 |
| 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».