Blood transcriptomic discrimination of bacterial and viral infections in the emergency department: a multi-cohort observational validation study
Notice bibliographique
Résumé
BACKGROUND: There is an urgent need to develop biomarkers that stratify risk of bacterial infection in order to support antimicrobial stewardship in emergency hospital admissions. METHODS: We used computational machine learning to derive a rule-out blood transcriptomic signature of bacterial infection (SeptiCyte™ TRIAGE) from eight published case-control studies. We then validated this signature by itself in independent case-control data from more than 1500 samples in total, and in combination with our previously published signature for viral infections (SeptiCyte™ VIRUS) using pooled data from a further 1088 samples. Finally, we tested the performance of these signatures in a prospective observational cohort of emergency department (ED) patients with fever, and we used the combined SeptiCyte™ signature in a mixture modelling approach to estimate the prevalence of bacterial and viral infections in febrile ED patients without microbiological diagnoses. RESULTS: The combination of SeptiCyte™ TRIAGE with our published signature for viral infections (SeptiCyte™ VIRUS) discriminated bacterial and viral infections in febrile ED patients, with a receiver operating characteristic area under the curve of 0.95 (95% confidence interval 0.90-1), compared to 0.79 (0.68-0.91) for WCC and 0.73 (0.61-0.86) for CRP. At pre-test probabilities 0.35 and 0.72, the combined SeptiCyte™ score achieved a negative predictive value for bacterial infection of 0.97 (0.90-0.99) and 0.86 (0.64-0.96), compared to 0.90 (0.80-0.94) and 0.66 (0.48-0.79) for WCC and 0.88 (0.69-0.95) and 0.60 (0.31-0.72) for CRP. In a mixture modelling approach, the combined SeptiCyte™ score estimated that 24% of febrile ED cases receiving antibacterials without a microbiological diagnosis were due to viral infections. Our analysis also suggested that a proportion of patients with bacterial infection recovered without antibacterials. CONCLUSIONS: Blood transcriptional biomarkers offer exciting opportunities to support precision antibacterial prescribing in ED and improve diagnostic classification of patients without microbiologically confirmed infections.
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 | 0,006 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».