Iron related biomarkers predict disease severity in a cohort of Portuguese adult patients during COVID-19 acute infection
Notice bibliographique
Résumé
ABSTRACT BACKGROUND Growing evidence indicates a link between iron metabolism and COVID-19 clinical progression, supporting the use of iron and inflammatory parameters as relevant biomarkers to predict patients’ outcomes. METHODS We evaluated iron metabolism and immune response in 303 patients admitted to the main hospital of the northern region of Portugal with variable clinical pictures, from September to November 2020. Of these, 127 tested positive for SARS-CoV-2 and 176 tested negative. Iron-related laboratory parameters and cytokines were determined in blood samples collected soon after admission and, in a subgroup of patients, throughout hospitalization. Demographic data, comorbidities and clinical outcomes were recorded. Patients were assigned into 5 groups according to disease severity. RESULTS Serum iron and transferrin levels at admission were lower in COVID-19-positive than in COVID-19-negative patients. Conversely, the levels of interleukin(IL)-6 and monocyte chemoattractant protein 1 (MCP1) were increased in COVID-19-positive patients. The lowest serum iron and transferrin levels at diagnosis were associated with the worst outcomes. Iron levels negatively correlated with IL-6 and higher levels of this cytokine were associated with a worse prognosis. Serum ferritin levels at diagnosis were higher in COVID-19-positive than in COVID-19-negative patients but did not correlate with disease severity. Longitudinal determinations of iron and ferritin made in a subgroup of patients (n=23) revealed highly variable results. CONCLUSIONS Serum iron is the simplest laboratory test to be implemented as a predictor of disease progression in hospitalized acute COVID-19-positive patients. Variation of ferritin with time should be revisited in larger cohorts. Key points COVID-19-positive patients have lower serum iron and higher ferritin than COVID-19-negative patients in variable clinical contexts. Lowest serum iron and highest IL-6 levels at hospital admission associate with the poorest outcomes. Association of serum ferritin with disease progression is debatable.
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) | 0,001 | 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 | 0,001 |
| 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 ».