Interleukin-17, a salivary biomarker for COVID-19 severity
Notice bibliographique
Résumé
OBJECTIVES: T-helper 17 cell-mediated response and their effector IL-17 cytokine induced by severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2) infection is a major cause of COVID-19 disease severity and death. Therefore, the study aimed to determine if IL-17 level in saliva mirrors its circulatory level and hence can be used as a non-invasive biomarker for disease severity. METHODS: Interleukin-17 (IL-17) level was evaluated by ELISA in saliva and blood of 201 adult COVID-19 patients with different levels of severity. The IL-17 saliva level was also associated with COVID-19 disease severity, and need for mechanical ventilation and/or death within 29 days after admission of severe COVID-19 patients. RESULTS: We found that IL-17 level in saliva of COVID-19 patients reflected its circulatory level. High IL-17 level in saliva was associated with COVID-19 severity (P<0.001), need for mechanical ventilation (P = 0.002), and/or death by 29 days (P = 0.002), after adjusting for patients' demographics, comorbidity, and COVID-19 serum severity markers such as D-Dimer, C-reactive protein, and ferritin. CONCLUSION: We propose that saliva IL-17 level could be used as a biomarker to identify patients at risk of developing severe 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 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 | 0,000 |
| 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 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».