IL-6 and IL-10 as predictors of disease severity in COVID-19 patients: results from meta-analysis and regression
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
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 that play a role in the underlying patho-physiology. Nonetheless, exact association and contribution of every cytokine towards COVID-19 pathology remains poorly understood. Delineation of the roles of cytokines during COVID-19 holds the key to 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 the 13 cytokines, IL-6 and IL-10 showed statistically significant SMD across 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.
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 | 0,001 | 0,092 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 découle