Diagnostic Accuracy of Liquid Biomarkers in Airway Diseases: Toward Point-of-Care Applications
Notice bibliographique
Résumé
Background: Liquid biomarkers have shown increasing utility in the clinical management of airway diseases. Salivary and blood samples are particularly amenable to point-of-care (POC) testing due to simple specimen collection and processing. However, very few POC tests have successfully progressed to clinical application due to the uncertainty and unpredictability surrounding their diagnostic accuracy. Objective: To review liquid biomarkers of airway diseases with well-established diagnostic accuracies and discuss their prospects for future POC applications. Methodology: A literature review of publications indexed in Medline or Embase was performed to evaluate the diagnostic accuracy of liquid biomarkers for chronic obstructive pulmonary disease (COPD), asthma, laryngopharyngeal reflux (LPR), and COVID-19. Results: Of 3,628 studies, 71 fulfilled the inclusion criteria. Sputum and blood eosinophils were the most frequently investigated biomarkers for the management of asthma and COPD. Salivary pepsin was the only biomarker with a well-documented accuracy for the diagnosis of LPR. Inflammatory blood biomarkers (e.g., CRP, D-dimers, ferritin) were found to be useful to predict the severity, complications, and mortality related to COVID-19 infection. Conclusion: Multiple liquid biomarkers have well-established diagnostic accuracies and are thus amenable to POC testing in clinical settings.
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 | 0,008 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,006 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».