Elevated vascular transformation blood biomarkers in Long-COVID indicate angiogenesis as a key pathophysiological mechanism
Notice bibliographique
Résumé
BACKGROUND: Long-COVID is characterized by prolonged, diffuse symptoms months after acute COVID-19. Accurate diagnosis and targeted therapies for Long-COVID are lacking. We investigated vascular transformation biomarkers in Long-COVID patients. METHODS: A case-control study utilizing Long-COVID patients, one to six months (median 98.5 days) post-infection, with multiplex immunoassay measurement of sixteen blood biomarkers of vascular transformation, including ANG-1, P-SEL, MMP-1, VE-Cad, Syn-1, Endoglin, PECAM-1, VEGF-A, ICAM-1, VLA-4, E-SEL, thrombomodulin, VEGF-R2, VEGF-R3, VCAM-1 and VEGF-D. RESULTS: Fourteen vasculature transformation blood biomarkers were significantly elevated in Long-COVID outpatients, versus acutely ill COVID-19 inpatients and healthy controls subjects (P < 0.05). A unique two biomarker profile consisting of ANG-1/P-SEL was developed with machine learning, providing a classification accuracy for Long-COVID status of 96%. Individually, ANG-1 and P-SEL had excellent sensitivity and specificity for Long-COVID status (AUC = 1.00, P < 0.0001; validated in a secondary cohort). Specific to Long-COVID, ANG-1 levels were associated with female sex and a lack of disease interventions at follow-up (P < 0.05). CONCLUSIONS: Long-COVID patients suffer prolonged, diffuse symptoms and poorer health. Vascular transformation blood biomarkers were significantly elevated in Long-COVID, with angiogenesis markers (ANG-1/P-SEL) providing classification accuracy of 96%. Vascular transformation blood biomarkers hold potential for diagnostics, and modulators of angiogenesis may have therapeutic efficacy.
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 | 0,001 | 0,001 |
| 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 | 0,001 | 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) | 0,001 | 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 ».