Biomarkers of sepsis: time for a reappraisal
Notice bibliographique
Résumé
INTRODUCTION: Sepsis biomarkers can have important diagnostic, therapeutic, and prognostic functions. In a previous review, we identified 3370 references reporting on 178 different biomarkers related to sepsis. In the present review, we evaluate the progress in the research of sepsis biomarkers. METHODS: Using the same methodology as in our previous review, we searched the PubMed database from 2009 until September 2019 using the terms "Biomarker" AND "Sepsis." There were no restrictions by age or language, and all studies, clinical and experimental, were included. RESULTS: We retrieved a total of 5367 new references since our previous review. We identified 258 biomarkers, 80 of which were new compared to our previous list. The majority of biomarkers have been evaluated in fewer than 5 studies, with 81 (31%) being assessed in just a single study. Apart from studies of C-reactive protein (CRP) or procalcitonin (PCT), only 26 biomarkers have been assessed in clinical studies with more than 300 participants. Forty biomarkers have been compared to PCT and/or CRP for their diagnostic value; 9 were shown to have a better diagnostic value for sepsis than either or both of these biomarkers. Forty-four biomarkers have been evaluated for a role in answering a specific clinical question rather than for their general diagnostic or prognostic properties in sepsis. CONCLUSIONS: The number of biomarkers being identified is still increasing although at a slower rate than in the past. Most of the biomarkers have not been well-studied; in particular, the clinical role of these biomarkers needs to be better evaluated.
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 | 0,045 | 0,099 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,008 | 0,005 |
| Bibliométrie | 0,010 | 0,009 |
| Études des sciences et des technologies | 0,002 | 0,007 |
| Communication savante | 0,010 | 0,041 |
| Science ouverte | 0,005 | 0,004 |
| Intégrité de la recherche | 0,010 | 0,021 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,003 |
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 ».