Targeted metabolomics identifies high performing diagnostic and prognostic biomarkers for COVID-19
Notice bibliographique
Résumé
Research exploring the development and outcome of COVID-19 infections has led to the need to find better diagnostic and prognostic biomarkers. This cross-sectional study used targeted metabolomics to identify potential COVID-19 biomarkers that predicted the course of the illness by assessing 110 endogenous plasma metabolites from individuals admitted to a local hospital for diagnosis/treatment. Patients were classified into four groups (≈ 40 each) according to standard polymerase chain reaction (PCR) COVID-19 testing and disease course: PCR-/controls (i.e., non-COVID controls), PCR+/not-hospitalized, PCR+/hospitalized, and PCR+/intubated. Blood samples were collected within 2 days of admission/PCR testing. Metabolite concentration data, demographic data and clinical data were used to propose biomarkers and develop optimal regression models for the diagnosis and prognosis of COVID-19. The area under the receiver operating characteristic curve (AUC; 95% CI) was used to assess each models' predictive value. A panel that included the kynurenine: tryptophan ratio, lysoPC a C26:0, and pyruvic acid discriminated non-COVID controls from PCR+/not-hospitalized (AUC = 0.947; 95% CI 0.931-0.962). A second panel consisting of C10:2, butyric acid, and pyruvic acid distinguished PCR+/not-hospitalized from PCR+/hospitalized and PCR+/intubated (AUC = 0.975; 95% CI 0.968-0.983). Only lysoPC a C28:0 differentiated PCR+/hospitalized from PCR+/intubated patients (AUC = 0.770; 95% CI 0.736-0.803). If additional studies with targeted metabolomics confirm the diagnostic value of these plasma biomarkers, such panels could eventually be of clinical use in medical practice.
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 | 0,001 | 0,037 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 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 ».