Distinguishing bacterial versus non-bacterial causes of febrile illness – A systematic review of host biomarkers
Notice bibliographique
Résumé
BACKGROUND: Acute febrile illnesses (AFIs) represent a major disease burden globally; however, the paucity of reliable, rapid point-of-care testing makes their diagnosis difficult. A simple tool for distinguishing bacterial versus non-bacterial infections would radically improve patient management and reduce indiscriminate antibiotic use. Diagnostic tests based on host biomarkers can play an important role here, and a target product profile (TPP) was developed to guide development. OBJECTIVES: To qualitatively evaluate host biomarkers that can distinguish bacterial from non-bacterial causes of AFI. DATA SOURCES: The PubMed database was systematically searched for relevant studies published between 2015 and 2019. STUDY ELIGIBILITY CRITERIA: Studies comparing diagnostic performances of host biomarkers in patients with bacterial versus non-bacterial infections were included. PARTICIPANTS: Studies involving human participants and/or human samples were included. METHODS: We collected information following PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses) guidelines. A risk of bias assessment was performed, based on a modified QUADAS-2 (Quality Assessment of Diagnostic Accuracy Score 2). RESULTS: We identified 1107 publications. Following screening, 55 publications were included, with 265 biomarker entries. Entries mostly comprised protein biomarkers (58.9%), followed by haematological, RNA, and metabolite biomarkers (15.5%, 8.7%, 12.5%). Sensitivity/specificity was reported for 45.7% of biomarker entries. We assessed a high overall risk of bias for most entries (75.8%). In studies with low/medium risk of bias, four biomarker entries tested in blood samples had sensitivity/specificity of more than 0.90/0.80. Only 12 additional biomarker entries were identified with sensitivity/specificity of more than 0.65/0.65. CONCLUSIONS: Most recently assessed biomarkers represent well-known biomarkers, e.g. C-reactive protein and procalcitonin. Some protein biomarkers with the highest reported performances include a combined biomarker signature (CRP, IP-10, and TRAIL) and human neutrophil lipocalin (HNL). Few new biomarkers are in the pipeline; however, some RNA signatures show promise. Further high-quality studies are needed to confirm these findings.
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 | 0,004 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,008 | 0,009 |
| Bibliométrie | 0,005 | 0,005 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».