Saliva viral load is a dynamic unifying correlate of COVID-19 severity and mortality
Notice bibliographique
Résumé
While several clinical and immunological parameters correlate with disease severity and mortality in SARS-CoV-2 infection, work remains in identifying unifying correlates of coronavirus disease 2019 (COVID-19) that can be used to guide clinical practice. Here, we examine saliva and nasopharyngeal (NP) viral load over time and correlate them with patient demographics, and cellular and immune profiling. We found that saliva viral load was significantly higher in those with COVID-19 risk factors; that it correlated with increasing levels of disease severity and showed a superior ability over nasopharyngeal viral load as a predictor of mortality over time (AUC=0.90). A comprehensive analysis of immune factors and cell subsets revealed strong predictors of high and low saliva viral load, which were associated with increased disease severity or better overall outcomes, respectively. Saliva viral load was positively associated with many known COVID-19 inflammatory markers such as IL-6, IL-18, IL-10, and CXCL10, as well as type 1 immune response cytokines. Higher saliva viral loads strongly correlated with the progressive depletion of platelets, lymphocytes, and effector T cell subsets including circulating follicular CD4 T cells (cTfh). Anti-spike (S) and anti-receptor binding domain (RBD) IgG levels were negatively correlated with saliva viral load showing a strong temporal association that could help distinguish severity and mortality in COVID-19. Finally, patients with fatal COVID-19 exhibited higher viral loads, which correlated with the depletion of cTfh cells, and lower production of anti-RBD and anti-S IgG levels. Together these results demonstrated that viral load - as measured by saliva but not nasopharyngeal - is a dynamic unifying correlate of disease presentation, severity, and mortality over time.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 ».