Immunometabolic signatures predict risk of progression to sepsis in COVID-19
Notice bibliographique
Résumé
Viral sepsis has been proposed as an accurate term to describe all multisystemic dysregulations and clinical findings in severe and critically ill COVID-19 patients. The adoption of this term may help the implementation of more accurate strategies of early diagnosis, prognosis, and in-hospital treatment. We accurately quantified 110 metabolites using targeted metabolomics, and 13 cytokines/chemokines in plasma samples of 121 COVID-19 patients with different levels of severity, and 37 non-COVID-19 individuals. Analyses revealed an integrated host-dependent dysregulation of inflammatory cytokines, neutrophil activation chemokines, glycolysis, mitochondrial metabolism, amino acid metabolism, polyamine synthesis, and lipid metabolism typical of sepsis processes distinctive of a mild disease. Dysregulated metabolites and cytokines/chemokines showed differential correlation patterns in mild and critically ill patients, indicating a crosstalk between metabolism and hyperinflammation. Using multivariate analysis, powerful models for diagnosis and prognosis of COVID-19 induced sepsis were generated, as well as for mortality prediction among septic patients. A metabolite panel made of kynurenine/tryptophan ratio, IL-6, LysoPC a C18:2, and phenylalanine discriminated non-COVID-19 from sepsis patients with an area under the curve (AUC (95%CI)) of 0.991 (0.986-0.995), with sensitivity of 0.978 (0.963-0.992) and specificity of 0.920 (0.890-0.949). The panel that included C10:2, IL-6, NLR, and C5 discriminated mild patients from sepsis patients with an AUC (95%CI) of 0.965 (0.952-0.977), with sensitivity of 0.993(0.984-1.000) and specificity of 0.851 (0.815-0.887). The panel with citric acid, LysoPC a C28:1, neutrophil-lymphocyte ratio (NLR) and kynurenine/tryptophan ratio discriminated severe patients from sepsis patients with an AUC (95%CI) of 0.829 (0.800-0.858), with sensitivity of 0.738 (0.695-0.781) and specificity of 0.781 (0.735-0.827). Septic patients who survived were different from those that did not survive with a model consisting of hippuric acid, along with the presence of Type II diabetes, with an AUC (95%CI) of 0.831 (0.788-0.874), with sensitivity of 0.765 (0.697-0.832) and specificity of 0.817 (0.770-0.865).
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 | 0,128 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| 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 ».