Integrated immunovirological profiling validates plasma SARS-CoV-2 RNA as an early predictor of COVID-19 mortality
Notice bibliographique
Résumé
ABSTRACT Despite advances in COVID-19 management, it is unclear how to recognize patients who evolve towards death. This would allow for better risk stratification and targeting for early interventions. However, the explosive increase in correlates of COVID-19 severity complicates biomarker prioritisation. To identify early biological predictors of mortality, we performed an immunovirological assessment (SARS-CoV-2 viral RNA, cytokines and tissue injury markers, antibody responses) on plasma samples collected from 144 hospitalised COVID-19 patients 11 days after symptom onset and used to test models predicting mortality within 60 days of symptom onset. In the discovery cohort (n=61, 13 fatalities), high SARS-CoV-2 vRNA, low RBD-specific IgG levels, low SARS-CoV-2-specific antibody-dependent cellular cytotoxicity, and elevated levels of several cytokines and lung injury markers were strongly associated with increased mortality in the entire cohort and the subgroup on mechanical ventilation. Model selection revealed that a three-variable model of vRNA, age and sex was very robust at identifying patients who will succumb to COVID-19 (AUC=0.86, adjusted HR for log-transformed vRNA=3.5; 95% CI: 2.0-6.0). This model remained robust in an independent validation cohort (n=83, AUC=0.85). Quantification of plasma SARS-CoV-2 RNA can help understand the heterogeneity of disease trajectories and identify patients who may benefit from new 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 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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,003 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».