Proteomic Biomarkers of the Apnea Hypopnea Index and Obstructive Sleep Apnea: Insights into the Pathophysiology of Presence, Severity, and Treatment Response
Notice bibliographique
Résumé
Obstructive sleep apnea (OSA), a disease associated with excessive sleepiness and increased cardiovascular risk, affects an estimated 1 billion people worldwide. The present study examined proteomic biomarkers indicative of presence, severity, and treatment response in OSA. Participants (n = 1391) of the Stanford Technology Analytics and Genomics in Sleep study had blood collected and completed an overnight polysomnography for scoring the apnea−hypopnea index (AHI). A highly multiplexed aptamer-based array (SomaScan) was used to quantify 5000 proteins in all plasma samples. Two separate intervention-based cohorts with sleep apnea (n = 41) provided samples pre- and post-continuous/positive airway pressure (CPAP/PAP). Multivariate analyses identified 84 proteins (47 positively, 37 negatively) associated with AHI after correction for multiple testing. Of the top 15 features from a machine learning classifier for AHI ≥ 15 vs. AHI < 15 (Area Under the Curve (AUC) = 0.74), 8 were significant markers of both AHI and OSA from multivariate analyses. Exploration of pre- and post-intervention analysis identified 5 of the 84 proteins to be significantly decreased following CPAP/PAP treatment, with pathways involving endothelial function, blood coagulation, and inflammatory response. The present study identified PAI-1, tPA, and sE-Selectin as key biomarkers and suggests that endothelial dysfunction and increased coagulopathy are important consequences of OSA, which may explain the association with cardiovascular disease and stroke.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».