Saliva RNA biomarkers predict concussion duration and detect symptom recovery: a comparison with balance and cognitive testing
Notice bibliographique
Résumé
OBJECTIVE: The goals of this study were to assess the ability of salivary non-coding RNA (ncRNA) levels to predict post-concussion symptoms lasting ≥ 21 days, and to examine the ability of ncRNAs to identify recovery compared to cognition and balance. METHODS: RNA sequencing was performed on 505 saliva samples obtained longitudinally from 112 individuals (8-24-years-old) with mild traumatic brain injury (mTBI). Initial samples were obtained ≤ 14 days post-injury, and follow-up samples were obtained ≥ 21 days post-injury. Computerized balance and cognitive test performance were assessed at initial and follow-up time-points. Machine learning was used to define: (1) a model employing initial ncRNA levels to predict persistent post-concussion symptoms (PPCS) ≥ 21 days post-injury; and (2) a model employing follow-up ncRNA levels to identify symptom recovery. Performance of the models was compared against a validated clinical prediction rule, and balance/cognitive test performance, respectively. RESULTS: An algorithm using age and 16 ncRNAs predicted PPCS with greater accuracy than the validated clinical tool and demonstrated additive combined utility (area under the curve (AUC) 0.86; 95% CI 0.84-0.88). Initial balance and cognitive test performance did not differ between PPCS and non-PPCS groups (p > 0.05). Follow-up balance and cognitive test performance identified symptom recovery with similar accuracy to a model using 11 ncRNAs and age. A combined model (ncRNAs, balance, cognition) most accurately identified recovery (AUC 0.86; 95% CI 0.83-0.89). CONCLUSIONS: ncRNA biomarkers show promise for tracking recovery from mTBI, and for predicting who will have prolonged symptoms. They could provide accurate expectations for recovery, stratify need for intervention, and guide safe return-to-activities.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 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 ».