Metabolomics Profiling of Critically Ill Coronavirus Disease 2019 Patients: Identification of Diagnostic and Prognostic Biomarkers
Notice bibliographique
Résumé
Objectives: Coronavirus disease 2019 continues to spread rapidly with high mortality. We performed metabolomics profiling of critically ill coronavirus disease 2019 patients to understand better the underlying pathologic processes and pathways, and to identify potential diagnostic/prognostic biomarkers. Design: Blood was collected at predetermined ICU days to measure the plasma concentrations of 162 metabolites using both direct injection-liquid chromatography-tandem mass spectrometry and proton nuclear magnetic resonance. Setting: Tertiary-care ICU and academic laboratory. Subjects: Patients admitted to the ICU suspected of being infected with severe acute respiratory syndrome coronavirus 2, using standardized hospital screening methodologies, had blood samples collected until either testing was confirmed negative on ICU day 3 (coronavirus disease 2019 negative) or until ICU day 10 if the patient tested positive (coronavirus disease 2019 positive). Interventions: None. Measurements and Main Results: Age- and sex-matched healthy controls and ICU patients that were either coronavirus disease 2019 positive or coronavirus disease 2019 negative were enrolled. Cohorts were well balanced with the exception that coronavirus disease 2019 positive patients suffered bilateral pneumonia more frequently than coronavirus disease 2019 negative patients. Mortality rate for coronavirus disease 2019 positive ICU patients was 40%. Feature selection identified the top-performing metabolites for identifying coronavirus disease 2019 positive patients from healthy control subjects and was dominated by increased kynurenine and decreased arginine, sarcosine, and lysophosphatidylcholines. Arginine/kynurenine ratio alone provided 100% classification accuracy between coronavirus disease 2019 positive patients and healthy control subjects (p = 0.0002). When comparing the metabolomes between coronavirus disease 2019 positive and coronavirus disease 2019 negative patients, kynurenine was the dominant metabolite and the arginine/kynurenine ratio provided 98% classification accuracy (p = 0.005). Feature selection identified creatinine as the top metabolite for predicting coronavirus disease 2019-associated mortality on both ICU days 1 and 3, and both creatinine and creatinine/arginine ratio accurately predicted coronavirus disease 2019-associated death with 100% accuracy (p = 0.01). Conclusions: Metabolomics profiling with feature classification easily distinguished both healthy control subjects and coronavirus disease 2019 negative patients from coronavirus disease 2019 positive patients. Arginine/kynurenine ratio accurately identified coronavirus disease 2019 status, whereas creatinine/arginine ratio accurately predicted coronavirus disease 2019-associated death. Administration of tryptophan (kynurenine precursor), arginine, sarcosine, and/or lysophosphatidylcholines may be considered as potential adjunctive therapies.
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 | 0,000 | 0,001 |
| 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) | 0,001 | 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 ».