The Association of Saliva Cytokines and Pediatric Sports-Related Concussion Outcomes
Notice bibliographique
Résumé
OBJECTIVES: This study aimed to explore cytokine alterations following pediatric sports-related concussion (SRC) and whether a specific cytokine profile could predict symptom burden and time to return to sports (RTS). SETTING: Sports Medicine Clinic. PARTICIPANTS: Youth ice hockey participants (aged 12-17 years) were recruited prior to the 2013-2016 hockey season. DESIGN: Prospective exploratory cohort study. MAIN MEASURE: Following SRC, saliva samples were collected and a Sport Concussion Assessment Tool version 3 (SCAT3) was administered within 72 hours of injury and analyzed for cytokines. Additive regression of decision stumps was used to model symptom burden and length to RTS based on cytokine and clinical features. RRelieFF feature selection was used to determine the predictive value of each cytokine and clinical feature, as well as to identify the optimal cytokine profile for the symptom burden and RTS. RESULTS: Thirty-six participants provided samples post-SRC (81% male; age 14.4 ± 1.3 years). Of these, 10 features, sex, number of previous concussions, and 8 cytokines, were identified to lead to the best prediction of symptom severity (r = 0.505, P = .002), while 12 cytokines, age, and history of previous concussions predicted the number of symptoms best (r = 0.637, P < .001). The prediction of RTS led to the worst results, requiring 21 cytokines, age, sex, and number of previous concussions as features (r = -0.320, P = .076). CONCLUSIONS: In pediatric ice hockey participants following SRC, there is evidence of saliva cytokine profiles that are associated with increased symptom burden. However, further studies are needed.
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 | 0,006 |
| 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 ».