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 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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 |
| 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 ».