IL-6 and IL-10 as predictors of disease severity in COVID-19 patients: results from meta-analysis and regression
Notice bibliographique
Résumé
Abstract Aims SARS-CoV-2, an infectious agent behind the ongoing COVID-19 pandemic, induces high levels of cytokines such as IL-1, IL-2, IL-4, IL-6, IL-10, TNF-α, IFN-γ etc in infected individuals which contribute towards the underlying disease patho-physiology. Nonetheless, exact association and contribution of every cytokine towards COVID-19 pathology remains poorly understood. Delineation of the role of the cytokines during COVID-19 holds the key of efficient patient management in clinics. This study performed a comprehensive meta-analysis to establish association between induced cytokines and COVID-19 disease severity to help in prognosis and clinical care. Main methods Scientific literature was searched to identify 13 cytokines (IL-1β, IL-2, IL-2R, IL-4, IL-5, IL-6, IL-7, IL-8, IL-10, IL-12, IL-17, TNF-α and IFN-γ) from 18 clinical studies. Standardized mean difference (SMD) for selected 6 cytokines IL-2, IL-4, IL-6, IL-10, TNF-α and IFN-γ between severe and non-severe COVID-19 patient groups were summarized using random effects model. A classifier was built using logistic regression model with cytokines having significant SMD as covariates. Key findings Out of 13 cytokines, IL-6 and IL-10 showed statistically significant SMD across the studies synthesized. Classifier with mean values of both IL-6 and IL-10 as covariates performed well with accuracy of ~ 92% that was significantly higher than accuracy reported in literature with IL-6 and IL-10 as individual covariates. Significance Simple panel proposed by us with only two cytokine markers can be used as predictors for fast diagnosis of patients with higher risk of COVID-19 disease deterioration and thus can be managed well for a favourable prognosis.
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 | 0,002 | 0,182 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,002 |
| 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 ».