Identifying Immunological and Clinical Predictors of COVID-19 Severity and Sequelae by Mathematical Modeling
Notice bibliographique
Résumé
several predictive models, using specific clinical or biochemical parameters. In the current study, we developed an integrative non-linear predictive model of COVID-19 outcome, using clinical, biochemical, immunological, and radiological data of patients with different disease severities. Initially, the immunological signature of the disease was investigated through transcriptomics analysis of nasopharyngeal swab samples of patients with different COVID-19 severity versus control subjects (exploratory cohort, n=61), identifying significant differential expression of several cytokines. Accordingly, 24 cytokines were validated using a multiplex assay in the serum of COVID-19 patients and control subjects (validation cohort, n=77). Predictors of severity were Interleukin (IL)-10, Programmed Death-Ligand-1 (PDL-1), Tumor necrosis factors-α, absolute neutrophil count, C-reactive protein, lactate dehydrogenase, blood urea nitrogen, and ferritin; with high predictive efficacy (AUC=0.93 and 0.98 using ROC analysis of the predictive capacity of cytokines and biochemical markers, respectively). Increased IL-6 and granzyme B were found to predict liver injury in COVID-19 patients, whereas interferon-gamma (IFN-γ), IL-1 receptor-a (IL-1Ra) and PD-L1 were predictors of remarkable radiological findings. The model revealed consistent elevation of IL-15 and IL-10 in severe cases. Combining basic biochemical and radiological investigations with a limited number of curated cytokines will likely attain accurate predictive value in COVID-19. The model-derived cytokines highlight critical pathways in the pathophysiology of the COVID-19 with insight towards potential therapeutic targets. Our modeling methodology can be implemented using new datasets to identify key players and predict outcomes in new variants of COVID-19.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».