Severe COVID-19 is characterised by inflammation and immature myeloid cells early in disease progression
Notice bibliographique
Résumé
Summary SARS-CoV-2 infection causes a wide spectrum of disease severity. Immune changes associated with severe disease include pro-inflammatory cytokine production and expansion of immature myeloid populations. The relative importance of the immunological changes in driving progression to severe disease remain poorly understood. We aimed to identify and rank clinical and immunological features associated with progression to severe COVID-19. We sought to use tests available in an on-site diagnostic hospital laboratory to identify an immunological signature for severe disease development which could be detected prior to peak severity thereby allowing initiation of therapeutic interventions. We used univariate and multivariate analysis, including unbiased machine learning, to investigate the relationships between clinical and demographic characteristics, inflammatory markers, and leukocyte immunophenotypes with progression to severe disease in 108 patients and to rank these in importance. A combination of four features (elevated levels of interleukin-6 and C-reactive protein, coupled with reduced monocyte HLA-DR expression and reduced neutrophil CD10 expression), were strongly predictive of severe disease with an average prediction score of 0.925. Highlights Severe COVID-19 can be predicted by a combination of emergency myelopoiesis (CD10-neutrophils and HLA DR-monocytes) and inflammation (raised IL-6 and CRP) These changes can be identified from tests carried out prior to peak illness severity in a diagnostic laboratory This predictive model was derived from a cohort of patients with a wide range of ages, frailty and COVID-19 severity Graphical Abstract
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 | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,006 | 0,001 |
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 ».