Gene Expression–Based Diagnosis of Infections in Critically Ill Patients—Prospective Validation of the SepsisMetaScore in a Longitudinal Severe Trauma Cohort
Notice bibliographique
Résumé
OBJECTIVES: Early diagnosis of infections is pivotal in critically ill patients. Innovative gene expression-based approaches promise to deliver precise, fast, and clinically practicable diagnostic tools to bedside. This study aimed to validate the SepsisMetaScore, an 11-gene signature previously reported by our study group, in a representative longitudinal cohort of trauma patients. DESIGN: Prospective observational cohort study. SETTING: Surgical ICUs of the University Medical Center Goettingen, Germany. PATIENTS: Critically ill patients with severe traumatic injuries. INTERVENTIONS: None. MEASUREMENTS AND MAIN RESULTS: Paired box gene (PAXgene) RNA blood tubes were drawn at predefined time points over the course of disease. The performance of the SepsisMetaScore was tested using targeted polymerase chain reaction and compared with Procalcitonin using area under the receiver operating characteristics analyses. The SepsisMetaScore showed significant differences between infected and noninfected patients (n = 52). It was able to accurately discriminate infectious from noninfectious acute inflammation with an area under the receiver operating characteristics of 0.92 (95% CI, 0.85-0.99) and significantly outperformed Procalcitonin (area under the receiver operating characteristics curve = 0.53; 95% CI, 0.42-0.64) early in the course of infection (p = 0.014). CONCLUSIONS: We demonstrated the clinical utility for diagnosis of infections with higher accuracy using the SepsisMetaScore compared with Procalcitonin in a prospective cohort of severe trauma patients. Future studies should assess whether the SepsisMetaScore may substantially improve clinical practice by accurate differentiation of infections from sterile inflammation and identification of patients at risk for sepsis. Our results support further investigation of the SepsisMetaScore for the development of tailored precision treatment of critically ill patients.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| 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 | 0,000 |
| 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 ».